逻辑回归模型训练和评估代码详解

这段代码用于训练一个逻辑回归模型，并使用该模型对训练集和测试集进行预测和评估。具体用途如下：

1. 输出一条分隔线，使输出更易读。

2. 输出一个标题，说明接下来的结果是针对逻辑回归模型的。

3. 导入 sklearn 库中的逻辑回归模型，并使用 'liblinear' 求解器进行训练。

4. 使用训练好的模型对训练集进行预测，并计算出每个样本被分类为正样本的概率。

5. 计算训练集的 ROC 值，并输出结果。

6. 输出训练集的分类报告，包括准确率、召回率、F1 分数等指标。

7. 输出训练集的混淆矩阵。

8. 使用训练好的模型对测试集进行预测，并计算出每个样本被分类为正样本的概率。

9. 计算测试集的 ROC 值，并输出结果。

10. 输出测试集的分类报告，包括准确率、召回率、F1 分数等指标。

11. 输出测试集的混淆矩阵。

print('**************************************************')
print('Results for model :  Logistic Regression ') 
from sklearn.linear_model import LogisticRegression
loc = LogisticRegression(solver='liblinear')
loc.fit(x_train, y_train)
y_train_pred = loc.predict(x_train)
y_train_prob = loc.predict_proba(x_train)[:, 1] 
print('ROC score for train is :', roc_auc_score(y_train, y_train_prob))
print('Classification report for train:
')
print(classification_report(y_train, y_train_pred))
print(confusion_matrix(y_train, y_train_pred))
y_test_pred = loc.predict(x_test)
y_test_prob = loc.predict_proba(x_test)[:, 1]
print('ROC score for test is :', roc_auc_score(y_test, y_test_prob))
print('Classification report for test :
')
print(classification_report(y_test, y_test_pred))
print(confusion_matrix(y_test, y_test_pred))