本文教程操作环境：windows7系统、Python 3.9.1，DELL G3电脑。
1.说明
逻辑回归简称LR，能够将特征输入集合转化为0和1这两类的概率。我们可以简单的把逻辑回归所要解决的问题理解为“分类”问题，在分类问题中最为简单的为二分类，即我们只需要把一组数据分为两类即可。而在二分类问题中，最为简单的又属“线性分类”，即我们只需要用一条直线即可将两类数据分开。
2.优点
计算代价不高，易于理解和实现。
3.缺点
容易欠拟合，分类精度不高。
4.使用数据
数值型和标称型。
5.实例
from sklearn.linear_model import LogisticRegression
# 复习情况，格式为[时长，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=[0,0,0,1,0,0,1,1,0,1,1,0,1,1] #0考不上，1考得上
# 创建并训练逻辑回归模型
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)
# 预测并输出预测结果
learning=[(16,0.9)]
result=reg.predict_proba(learning)
msg='''模型得分：{0}
复习时长为：{1[0]},效率为：{1[1]}
您考不上的概率为：{2[0]}
您考的上的概率为：{2[1]}
总和判断，您会：{3}'''.format(score,learning[0],result[0],'考不上'if result[0][0]>0.5 else "考得上")
print(msg)
