逻辑回归模型训练与评估：准确率、混淆矩阵和ROC曲线

在完成逻辑回归模型训练后，我们需要评估其性能。常用的评估指标包括：

准确率（Accuracy）: 正确预测的样本占总样本的比例。
召回率（Recall）: 正确预测的正样本占所有正样本的比例。
F1值（F1-score）: 准确率和召回率的调和平均数。
混淆矩阵（Confusion Matrix）: 展示模型预测结果与真实标签的对应关系。
ROC曲线（Receiver Operating Characteristic Curve）: 展示不同阈值下模型的真正率（True Positive Rate）和假正率（False Positive Rate）。

以下代码展示如何计算这些指标并绘制ROC曲线：

from sklearn.metrics import classification_report, confusion_matrix, roc_curve
import matplotlib.pyplot as plt

# 假设您已经训练了逻辑回归模型并获得了预测结果：
# lr = LogisticRegression()
# lr.fit(features, target)
# predictions = lr.predict(features)

# 计算模型的准确率、召回率和F1值
print(classification_report(target, predictions))

# 计算模型的混淆矩阵
print(confusion_matrix(target, predictions))

# 计算真正率和假正率
fpr, tpr, thresholds = roc_curve(target, predictions)

# 绘制ROC曲线
plt.plot(fpr, tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC) Curve')
plt.show()

解释：

classification_report 函数用于计算准确率、召回率和F1值。
confusion_matrix 函数用于计算混淆矩阵。
roc_curve 函数用于计算不同阈值下的真正率和假正率。
plt.plot 函数用于绘制ROC曲线。

注意：

target 表示真实标签。
predictions 表示模型预测的标签。

通过以上代码，您可以评估逻辑回归模型的性能，并根据评估结果调整模型参数或选择更合适的模型。