Python实现逻辑回归算法

本代码演示了如何使用Python实现逻辑回归算法，并包含数据预处理、模型训练、预测和评估等步骤。

import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

# 生成示例数据集
X, y = make_classification(n_samples=1000, n_features=10, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 数据预处理：标准化特征
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred)

# 打印结果
print(f"准确率: {accuracy}")
print(f"分类报告:
{report}")

代码说明:

1. 使用make_classification生成示例数据集，并使用train_test_split将其划分为训练集和测试集。
2. 使用StandardScaler对特征进行标准化处理。
3. 创建LogisticRegression模型，并使用fit方法训练模型。
4. 使用predict方法预测测试集，并使用accuracy_score和classification_report评估模型性能。

注意:

• 这只是一个简单的示例代码，实际应用中可能需要根据具体情况进行调整。
• 您可以根据需要修改代码中的参数，例如n_samples、n_features、test_size和random_state等。