本文教程操作环境：windows7系统Python 3.9.1，DELL G3电脑。
1.说明
逻辑回归缩写LR，将特征输入集转换为0和1的可能性。我们可以简单地将逻辑返回到需要解决的问题中，理解为“分类”问题。在分类问题中，最简单的是第二类，即我们只需要将一组数据分为两类。在第二类问题中，最简单的是“线性分类”，即我们只需要使用一条直线来分离这两类数据。
2.优点
计算成本不高，易于理解和实现。
3.缺点
易欠拟合，分类精度低。
4.使用数据
数值型和标称型。
5.实例
fromsklearn.linear_modelimportLogisticRegression
#复习的格式是[时间长，效率]
x_train=(0，0)，(7，0.9)，(15，0.4)，(13，0.9)，(15，0.4)，(16，0.4)，(16，0.8)，(15，0.7)，(17，0.2)，(7.5，0.8)，(17，0.9)，(18，0.1)，(18，0.6)，(18，0.8)
y_train=[0,0,0,1,0,0,1,0,1,1,0,1,1,1]#0不能通过考试，1考得上
#创建和训练逻辑回归模型的逻辑回归模型
reg=LogisticRegression()
reg.fit(x_train,y_train)
#测试模型
x_test=(3，0.1)，(8，0.3)，(7，0.2)，(4，0.2)，(4，0.4)
y_test=[0,0,0,0,0]
score=reg.score(x_test,y_test)
#预测和输出预测结果
learning=[16，0.9]
result=reg.predict_proba(learning)
msg='''模型得分：{0}
审查时间为：{1[0]}，效率为：{1[1]}
你考不上的概率是:{2[0]}
你考试的概率是:{2[1]}
总和判断，你会：{3}'''.format(score,learning[0],result[0],'考不上'ifresult[0][0]>0.5else"考得上")
print(msg)以上是python中逻辑回归算法的简要介绍。我相信很多人在学习后都对这种分类计算方法感兴趣。如果你想了解更多关于相关方法的信息，你可以在课后找到一些信息。更多Python高级指路：高级python