首页使用逻辑回归算法，完成对肿瘤（癌症）的预测。（非常经典的逻辑回归案例）--数据，是sklearn.datasets的load_breast_cancer

使用逻辑回归算法，完成对肿瘤（癌症）的预测。（非常经典的逻辑回归案例）--数据，是sklearn.datasets的load_breast_cancer

时间: 2025-02-23 08:33:24 浏览: 82

逻辑回归是一种广泛用于分类任务的概率模型，尤其适用于二元分类问题。在乳腺癌预测的例子中，我们会用到scikit-learn库中的`load_breast_cancer`数据集，这是一个描述了乳腺肿瘤特征的数据集，包含特征如形状、纹理等，目标变量是癌症是否为恶性。首先，我们需要加载并预处理数据： ```python from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import pandas as pd # 加载数据 data = load_breast_cancer() X = data.data # 特征数据 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) # 数据标准化 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 创建逻辑回归模型 from sklearn.linear_model import LogisticRegression model = LogisticRegression() # 训练模型 model.fit(X_train, y_train) # 预测 predictions = model.predict(X_test) ``` 在这个过程中，我们首先将数据划分为训练集和测试集，然后对特征进行标准化以便更好地适应线性模型。接着，我们创建一个逻辑回归模型，并使用训练数据对其进行训练。最后，模型可以用来对测试集中的样本进行预测，得出患恶性肿瘤的可能性。

阅读全文