逻辑回归是一种广泛用于分类问题的机器学习算法。在Python中,你可以使用Sklearn库(scikit-learn)来方便地实现逻辑回归。下面是一个简单的例子,展示了如何使用Sklearn进行逻辑回归。
python
# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn import datasets
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 创建逻辑回归模型
logreg = LogisticRegression()
# 训练模型
logreg.fit(X_train, y_train)
# 使用训练好的模型进行预测
y_pred = logreg.predict(X_test)
# 计算并打印准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy * 100:.2f}%')
这个例子中,我们使用了鸢尾花(Iris)数据集,这是一个常用于机器学习入门的数据集,包含了150个样本,每个样本有4个特征,对应于鸢尾花的萼片和花瓣的长度和宽度。数据集被分为三个类别。
代码步骤如下:
- 导入必要的库。
- 加载数据集。
- 将数据集分为训练集和测试集。
- 创建一个逻辑回归模型。
- 使用训练集数据训练模型。
- 用训练好的模型对测试集进行预测。
- 计算预测结果的正确率,并打印出来。
请注意,实际应用中,你可能需要对数据进行预处理,如特征缩放、特征选择等,并调整模型的参数以达到更好的性能。