Python编程逻辑斯蒂回归并且再增加正则性

逻辑斯蒂回归是一种用于二分类问题的机器学习算法，它可以根据已知的训练数据集来预测新的数据点的分类。在Python中，我们可以使用scikit-learn库来实现逻辑斯蒂回归。

首先，我们需要导入必要的库：

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

接下来，我们可以准备我们的数据集。在这个例子中，我们将使用一个虚拟的数据集，其中包含两个特征：x1和x2。我们将生成一些随机的训练数据和标签。我们还将把数据集分成训练集和测试集：

# Generate random data
np.random.seed(0)
X = np.random.randn(100, 2)
y = np.random.randint(0, 2, 100)

# Split data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

接下来，我们可以创建一个逻辑斯蒂回归模型，并使用训练数据来拟合它：

# Create logistic regression model
model = LogisticRegression()

# Fit model on training data
model.fit(X_train, y_train)

现在，我们可以使用测试数据来测试模型的性能：

# Make predictions on test data
y_pred = model.predict(X_test)

# Calculate accuracy score
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

这将输出模型在测试数据上的准确性。

如果我们想增加模型的正则性，我们可以在创建模型时指定正则化类型和参数。例如，我们可以使用L2正则化，并设置C参数为0.1：

# Create logistic regression model with L2 regularization
model = LogisticRegression(penalty='l2', C=0.1)

# Fit model on training data
model.fit(X_train, y_train)

现在，我们可以继续测试模型的性能，就像之前一样