現(xiàn)在我有一份LogisticRegression.csv數(shù)據(jù)集，其部分數(shù)據(jù)如下圖所示：

在邏輯回歸實例操作中，我將‘a(chǎn)dmit’該列看作為標簽列。

接下來的操作步驟就是切割數(shù)據(jù)集，對測試集進行邏輯回歸的預測。以下是實例代碼

輸出的結果如下圖所示：

可以看出標簽0的查準率和查全率都較高，但是標簽1的查全率較低。在F1分數(shù)中，同樣是標簽0的分數(shù)較高，這需要我們在前期的數(shù)據(jù)處理中進一步優(yōu)化，比如說在數(shù)據(jù)分割時分層抽樣，以增加模型的查準率和查全率。