logistic regression例子

logistic regression例子
Logistic Regression（逻辑回归）是一种用于二分类问题的机器学习算法。

以下是一个简单的Logistic Regression 的例子，使用Python 和scikit-learn 库：
```python
# 导入必要的库
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report
import matplotlib.pyplot as plt
# 生成模拟数据
np.random.seed(42)
X = np.random.rand(100, 1) * 10
y = (X > 5).astype(int) # 二分类标签
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建Logistic Regression 模型
model = LogisticRegression()
# 训练模型
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')
# 打印分类报告
print("Classification Report:")
print(classification_report(y_test, y_pred))
# 绘制决策边界
X_range = np.linspace(0, 10, 100).reshape(-1, 1)
y_proba = model.predict_proba(X_range)[:, 1]
plt.scatter(X, y, color='blue', marker='o', label='Actual Data')
plt.plot(X_range, y_proba, color='red', label='Decision Boundary')
plt.xlabel('Feature')
plt.ylabel('Probability')
plt.legend()
plt.show()
```
在这个例子中，我们生成了一些模拟数据，其中X 是一个在[0, 10] 范围内的随机值，y 是一个二分类标签，表示X 是否大于5。

然后，我们将数据集划分为训练集和测试集，使用Logistic Regression 模型进行训练，并评估模型的性能。

最后，我们绘制了决策边界和实际数据的散点图。

决策边界表示模型预测为正类别的概率为0.5 的位置。

这是一个简单的Logistic Regression 示例，实际应用中可能需要更复杂的特征工程和调参。