紧接着上过一个线性回归模型（一元线性回归模型实战）
一元线性回归模型和逻辑回归模型是统计学中常见的两种回归模型，它们有以下几点不同之处：
1. 目标变量类型：一元线性回归模型适用于连续型目标变量，即预测一个数量；而逻辑回归模型适用于二分类目标变量，即预测一个属于两个类别的概率。
2. 输出类型：一元线性回归模型的输出是一个连续的数值，表示目标变量的预测值；而逻辑回归模型的输出是一个概率值，表示目标变量属于某个类别的概率。
3. 假设函数形式：一元线性回归模型假设自变量与因变量之间存在线性关系，通过拟合一条直线来描述它们之间的关系；逻辑回归模型则假设自变量与因变量之间存在一种S形曲线的关系，通过拟合一个Sigmoid函数来描述它们之间的关系。
4. 参数估计方法：一元线性回归模型通常使用最小二乘法来估计模型参数，目标是最小化实际值与预测值的差异；逻辑回归模型则使用最大似然估计法来估计参数，目标是最大化观测数据的概率。
总的来说，一元线性回归模型适用于预测连续型变量的数值，而逻辑回归模型适用于二分类问题，预测目标变量属于两个类别的概率。
代码展示
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
import numpy as np
x = load_iris().data
y = load_iris().target
# 将x和y合并在一起
combined_data = np.concatenate((x, y.reshape(-1, 1)), axis=1)
# 保存合并后的数据到文件
np.savetxt('combined_data.txt', combined_data, fmt='%f', delimiter=',')
# print("语义：",x,"标签:",y)
# 具体来说，`load_iris().data`将返回Iris数据集中的特征数据，它是一个二维数组，每一行代表一个样本，每一列代表一个特征。
# `load_iris().target`将返回Iris数据集中每个样本的目标分类标签。在Iris数据集中，一共有3个不同的类别，分别代表3种不同的鸢尾花。
x_train, x_test, y_train,y_test = train_test_split(x, y, test_size=0.29,random_state=0)
# 具体来说，`train_test_split()`函数可以将数据集划分为训练集和测试集，其中`x`是特征数据，`y`是目标标签。
# `test_size`参数指定了测试集所占的比例，这里设置为0.29，意味着将29%的数据用作测试集，剩下的71%用作训练集。
# `random_state`参数用于设置随机种子，以确保划分结果的可重现性。
# 划分后的训练集包含`x_train`和`y_train`，测试集包含`x_test`和`y_test`。您可以在后续的建模和评估过程中使用这些数据集。
# 例如，在使用逻辑回归模型进行训练和预测时，可以这样使用划分后的数据集：
#对数据标准化处理
sc = StandardScaler()
x_train = sc.fit_transform(x_train)
x_test = sc.fit_transform(x_test)
#训练逻辑回归模型，并对测试集进行测试
model = LogisticRegression()
model.fit(x_train, y_train)
pred_data = sc.fit_transform( [[combined_data[54,0],combined_data[54,1],combined_data[54,2],combined_data[54,3]]] )
print("使用逻辑回归模型的预测类别为：",model.predict(pred_data))
print("他的真是标签为：",combined_data[54,4])
print("逻辑回归分类的准确率为：%4.4f"%model.score(x_test,y_test))
