### 关于二分类问题的代码实现 对于二分类问题，可以采用多种算法来解决，其中包括但不限于逻辑回归（Logistic Regression）、支持向量机（SVM）、决策树（Decision Tree）、随机森林（Random Forest）以及朴素贝叶斯（Naive Bayes）。以下是基于 Python 的 Scikit-Learn 库实现逻辑回归和朴素贝叶斯两种经典二分类算法的代码示例。 #### 1. 使用逻辑回归进行二分类 逻辑回归是一种广泛应用于二分类问题的经典算法。它通过拟合一个 Sigmoid 函数来预测样本属于某一类别的概率[^2]。 ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression import matplotlib.pyplot as plt # 创建模拟数据集 X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0, n_clusters_per_class=1, random_state=4) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42) # 初始化逻辑回归模型 model_lr = LogisticRegression() # 训练模型 model_lr.fit(X_train, y_train) # 可视化结果 plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired) plt.title("Logistic Regression Classification") plt.show() ``` #### 2. 使用朴素贝叶斯进行二分类 朴素贝叶斯是一种基于贝叶斯定理的概率分类方法，在处理文本分类等问题时表现尤为出色[^3]。 ```python from sklearn.naive_bayes import GaussianNB # 初始化高斯朴素贝叶斯模型 model_nb = GaussianNB() # 训练模型 model_nb.fit(X_train, y_train) # 输出模型性能评估 print(f"Accuracy on training set: {model_nb.score(X_train, y_train):.3f}") print(f"Accuracy on testing set: {model_nb.score(X_test, y_test):.3f}") # 可视化结果 plt.scatter(X[:, 0], X[:, 1], c=model_nb.predict(X), cmap=plt.cm.Paired) plt.title("Gaussian Naive Bayes Classification") plt.show() ``` 以上两段代码分别展示了如何利用逻辑回归和朴素贝叶斯完成二分类任务，并提供了可视化的结果以便更好地理解模型的表现。 ---