首页【实验】编写一个逻辑回归分类算法的Python程序,可使用Scikit-Learn中提供的乳腺癌数据集进行训练和预测。（给出完整程序及其运行结果）

【实验】编写一个逻辑回归分类算法的Python程序,可使用Scikit-Learn中提供的乳腺癌数据集进行训练和预测。（给出完整程序及其运行结果）

时间: 2025-02-09 08:16:45 浏览: 30

在Python中，我们可以使用Scikit-learn库来轻松地实现逻辑回归算法。以下是一个简单的逻辑回归分类器的示例，使用Breast Cancer Wisconsin (Diagnostic) 数据集： ```python # 导入必要的库 from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, confusion_matrix # 加载乳腺癌数据集 data = load_breast_cancer() X = data.data # 特征矩阵 y = data.target # 目标变量，0表示良性，1表示恶性 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建并训练逻辑回归模型 model = LogisticRegression(max_iter=1000) model.fit(X_train, y_train) # 预测测试集 y_pred = model.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy * 100:.2f}%") # 打印混淆矩阵 conf_mat = confusion_matrix(y_test, y_pred) print("Confusion Matrix:\n", conf_mat) ``` 请注意，这个例子假设了`max_iter=1000`是为了防止迭代次数过多而超时，实际项目中可能需要根据具体情况进行调整。运行此代码后，你会看到输出的准确率和混淆矩阵，这将展示模型在乳腺癌数据集上的性能。

阅读全文