逻辑回归算法原理实现与Iris数据集可视化验证

该代码使用 Python 的 scikit-learn 库实现了逻辑回归算法，并利用 Iris 数据集进行了验证和可视化分析。代码包含以下部分：

1. 导入必要的库：包括 numpy, scikit-learn 的 LogisticRegression, datasets, model_selection, metrics 模块，以及 matplotlib.pyplot 用于可视化。
2. 加载 Iris 数据集：使用 load_iris() 函数加载数据集，并将其拆分为特征 X 和标签 y。
3. 划分训练集和测试集：使用 train_test_split() 函数将数据集划分成训练集和测试集，比例为 75% 和 25%。
4. 循环遍历不同的正则化参数 C：使用 for 循环遍历从 0.05 到 1 的 19 个不同的 C 值，分别训练 L1 正则化和 L2 正则化的逻辑回归模型。
5. 计算训练集和测试集的准确率：使用 accuracy_score() 函数计算每个模型在训练集和测试集上的准确率。
6. 打印正则化后的系数：使用 lrl1.coef_ 和 lrl2.coef_ 打印 L1 正则化和 L2 正则化的模型系数。
7. 可视化结果：使用 matplotlib.pyplot 绘制不同 C 值下的训练集和测试集准确率变化曲线。

代码满足以下要求：

• 逻辑回归算法的数学原理底层实现编写：代码使用 scikit-learn 的 LogisticRegression 类实现了逻辑回归算法。
• 利用 Iris 数据集进行原理代码的验证：代码使用 load_iris() 函数加载了 Iris 数据集，并对其进行了训练和测试。
• 可视化显示：代码使用 matplotlib.pyplot 绘制了不同 C 值下的训练集和测试集准确率变化曲线。

该代码展示了逻辑回归算法的应用，并通过可视化分析了不同正则化参数下模型性能的变化。