### Python 实现鸢尾花数据集的逻辑回归分类并计算评估指标 以下是基于 `scikit-learn` 的代码示例，展示如何使用鸢尾花数据集进行逻辑回归分类，并计算准确率、精确率和召回率等评估指标。 #### 导入必要的库 ```python import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, precision_score, recall_score, classification_report ``` #### 加载鸢尾花数据集 加载数据并将特征与目标变量分离。 ```python iris = load_iris() X = iris.data # 特征 y = iris.target # 目标变量 ``` #### 数据预处理 为了提高模型性能，可以对特征进行标准化处理。 ```python scaler = StandardScaler() X_scaled = scaler.fit_transform(X) ``` #### 划分训练集和测试集 将数据划分为训练集和测试集，比例为80%训练集和20%测试集。 ```python X_train, X_test, y_train, y_test = train_test_split( X_scaled, y, test_size=0.2, random_state=42, stratify=y ) ``` #### 构建逻辑回归模型 构建一个多分类逻辑回归模型，并指定求解器和支持多分类的方法。 ```python model = LogisticRegression(solver='lbfgs', multi_class='multinomial', max_iter=200) model.fit(X_train, y_train) ``` #### 进行预测 使用测试集进行预测。 ```python y_pred = model.predict(X_test) ``` #### 计算评估指标 通过 `accuracy_score`, `precision_score`, 和 `recall_score` 来分别计算准确率、精确率和召回率。注意，在多分类情况下，可以通过参数设置来获取加权平均值或其他形式的结果。 ```python accuracy = accuracy_score(y_test, y_pred) # 准确率 precision = precision_score(y_test, y_pred, average='weighted') # 精确率 recall = recall_score(y_test, y_pred, average='weighted') # 召回率 print(f'准确率: {accuracy:.2f}') # 显示两位小数[^1] print(f'精确率: {precision:.2f}') print(f'召回率: {recall:.2f}') # 打印详细的分类报告 report = classification_report(y_test, y_pred, target_names=iris.target_names) print(report) ``` #### 输出样例 假设运行以上代码后得到如下结果： ``` 准确率: 0.97 精确率: 0.97 召回率: 0.97 precision recall f1-score support setosa 1.00 1.00 1.00 10 versicolor 0.95 0.95 0.95 9 virginica 0.93 0.93 0.93 11 accuracy 0.97 30 macro avg 0.96 0.96 0.96 30 weighted avg 0.97 0.97 0.97 30 ``` --- ###