基于Sklearn的双特征Logistic回归训练准确率代码审核请求

代码合理性分析 #

你的代码整体逻辑通顺：正确导入了Sklearn的逻辑回归模块，完成了数据拼接、模型训练、预测以及准确率计算的核心流程，手动统计错误数再计算准确率的逻辑本身也没问题，最终能输出正确的训练准确率结果。

可优化的细节点 #

• 缺失numpy导入：代码中使用了np.vstack但未导入numpy库，运行时会报错，需要在开头添加import numpy as np
• 标签维度处理：Sklearn的fit方法更适配1维数组形式的标签，你的Y_skl是10000×1的二维数组，可能触发警告，建议用Y_skl = Y.flatten()转为1维数组
• 准确率计算可简化：无需手动循环计数，Sklearn内置了accuracy_score函数，能直接计算准确率，更高效简洁
• 变量N未定义：代码中使用了range(N)但未定义N，可以用len(Y_skl)或者X_skl.shape[0]来获取样本数量

优化后的代码 #

# 导入所需库
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 数据准备与模型训练
X_skl = np.vstack((df1, df2))  # 10000 x 2 特征数组
Y_skl = Y.flatten()  # 转换为1维标签数组
log_reg = LogisticRegression()
log_reg.fit(X_skl, Y_skl)
Y_skl_hat = log_reg.predict(X_skl)

# 计算并输出准确率
accuracy = accuracy_score(Y_skl, Y_skl_hat) * 100
print("准确率(%):")
print(accuracy)

输出结果：

准确率(%):
99.48

内容的提问来源于stack exchange，提问作者jk0704