1训练集traintxt。每行是一个样本点数据-100~+100之间每行的最后一个元素为label+1-1训练数据确定线性可分；2测试集testtxt。每行一个样本数据与traintxt中的样本点数据独立同分布。请分别使用Logistic回归与感知机算法对测试集数据进行分类输出其对应的label输出文件名为resulttxt每行一个数据∈1-1。怎么使用表格或图表对实验结果进行分析。

为了对实验结果进行分析，可以使用表格或图表来展示分类算法的性能。具体来说，可以使用以下几种方式：

混淆矩阵：混淆矩阵可以展示分类器的性能，包括真阳性、假阳性、真阴性和假阴性。可以根据混淆矩阵计算出分类器的准确率、召回率和 F1 值等指标。可以使用表格或热力图来展示混淆矩阵。
ROC 曲线：ROC 曲线可以展示分类器在不同阈值下的性能。可以使用图表来展示 ROC 曲线，并计算出 AUC 值来评估分类器的性能。
PR 曲线：PR 曲线可以展示分类器在不同阈值下的精度和召回率。可以使用图表来展示 PR 曲线，并计算出平均准确率（Average Precision）来评估分类器的性能。
学习曲线：学习曲线可以展示分类器在不同训练集大小下的性能。可以使用图表来展示学习曲线，并观察分类器的过拟合和欠拟合情况。
特征重要性：可以使用特征重要性来分析分类器的决策过程。可以使用表格或图表来展示不同特征的重要性，以便进一步优化分类器。

通过以上方式对实验结果进行分析，可以更加全面地了解分类算法的性能和决策过程，从而对算法进行优化和改进。