【使用逻辑回归（Logistic Regression）算法对预处理后的数据集（平均值填充）进行分类任务训练与评估】

本文核心内容是基于上一篇生成的12个数据集文件，使用逻辑回归（Logistic Regression）算法对预处理后的这12个数据集（本文以平均值填充为例）进行分类任务训练与评估，通过网格搜索寻找最优超参数，最终提取模型在测试集上的关键评估指标（召回率、准确率）并保存。

1.数据读取与分割

import pandas as pd
from sklearn import metrics#sklearn.metrics：用于计算模型评估指标（如分类报告、准确率、召回率）

'''数据提取'''
train_data=pd.read_excel(r'训练数据集[平均值填充].xlsx')
train_data_x=train_data.iloc[:,1:]#训练数据集的特征
train_data_y=train_data.iloc[:,0]#训练数据集的测试标签label

test_data = pd.read_excel(r'测试数据集[平均值填充].xlsx')
test_data_x=test_data.iloc[:,1:]#测试数据集的特征
test_data_y=test_data.iloc[:,0]#测试数据集的测试标簽label

result_data={}#用来保存后面6种算法的结果。

2.网格搜索优化超参数

param_grid = {
    'C': [0.01, 0.1, 1, 10, 100],
    'penalty': ['l2'],
    'solver': ['lbfgs'],
    'max_iter': [1000, 2000, 3000],
    'class_weight': [None, 'balanced']  # 处理样本不均衡
}
#
logreg = LogisticRegression()
grid_search = GridSearchCV(logreg,param_grid,cv=5)# 创建GridSearchCV对象
grid_search.fit(train_data_x,train_data_y)# 在训练集上执行网格搜索
print("Best parameters set found on development set:")#输出最佳参数
print(grid_search.best_params_)

3. 构建最优模型

LR_result={}#用来保存训练之后的结果
lr = LogisticRegression(C=0.001,max_iter=1000,penalty=None,solver='lbfgs')
lr.fit(train_data_x,train_data_y)

4.模型评估与结果提取

# '''测试结果[含训练数据集的测试+测试数据集的测试]'''
train_predicted=lr.predict(train_data_x)#训练数据集的预测结果
print('LR的train:\n',metrics.classification_report(train_data_y,train_predicted))
test_predicted=lr.predict(test_data_x)
print('LR的test:\n',metrics.classification_report(test_data_y,test_predicted))
a=metrics.classification_report(test_data_y,test_predicted,digits=6)
b=a.split()
LR_result['recall_0']=float(b[8])
LR_result['recall_1']=float(b[11])
LR_result['recall_2']=float(b[16])
LR_result['recall_3']=float(b[21])
LR_result['acc']=float(b[25])
print('lr结束')
#

lr.predict(...)：用训练好的模型对训练集 / 测试集特征做预测，得到预测标签。

metrics.classification_report：生成分类报告，包含精确率（precision）、召回率（recall）、F1 值、支持数，以及整体准确率（accuracy）。

输出训练集的分类报告：看模型在训练集上的表现（是否过拟合）。

输出测试集的分类报告：看模型的泛化能力（核心评估指标）。

指标提取（通过字符串分割）：

digits=6：保留 6 位小数，让指标更精确。

a.split()：把分类报告的字符串按空格分割成列表，然后通过索引取对应值：

recall_0/1/2/3：类别 0、1、2、3 的召回率（说明是 4 分类任务）。

acc：整体准确率（accuracy）。

把这些指标存入LR_result字典，方便后续对比其他算法。

1. 最优参数部分（网格搜索结果）

Best parameters set found on development set:
{'C': 100, 'class_weight': None, 'max_iter': 1000, 'penalty': 'l2', 'solver': 'lbfgs'}

这是网格搜索（GridSearchCV）在 5 折交叉验证后，找到的最优超参数组合：

C=100：正则化强度（值越大，正则化越弱，模型更偏向拟合数据）

penalty='l2'：使用 L2 正则化，防止过拟合

solver='lbfgs'：优化算法，适合多分类任务

max_iter=1000：最大迭代次数，保证模型收敛

class_weight=None：未对样本不均衡做特殊处理

2. 训练集结果（LR 的 train）

这部分是模型在训练数据上的表现，用来判断模型拟合程度：

类别	precision（精确率）	recall（召回率）	f1-score	support（样本数）
0	0.90	0.90	0.90	368
1	0.83	0.86	0.84	270
2	0.85	0.82	0.84	57
3	0.88	0.68	0.77	34
accuracy	---	---	0.87	729

accuracy（准确率）：整体预测正确的比例（训练集 87%）

3. 测试集结果（LR 的 test）

这部分是模型在从未见过的测试数据上的表现，用来判断泛化能力：

类别	precision（精确率）	recall（召回率）	f1-score	support（样本数）
0	0.93	0.88	0.91	176
1	0.76	0.89	0.82	97
2	0.92	0.89	0.91	27
3	0.88	0.54	0.67	13
accuracy	---	---	0.87	313

测试集准确率和训练集一样（0.87），说明模型没有过拟合，泛化能力稳定