上一篇文章，我们简单介绍了Logistic回归算法进行二分类的原理，并通过代码了解了Logistic回归算法的实现。Logistic回归算法理论上只可以处理二分类问题，实际应用中，如果需要处理多分类问题，有两种改进方式。这里推荐一篇博文.
sklearn中本身提供了Logistic回归算法，而且可以处理多分类问题，今天的文章真的很简单。
from sklearn import datasets
import numpy as np
from sklearn.model_selection import train_test_split,cross_val_score
from sklearn.linear_model import LogisticRegression
iris = datasets.load_iris()
iris_x = iris.data
iris_y = iris.target
x_train, x_test, y_train, y_test = train_test_split(iris_x, iris_y, test_size=0.3, random_state=0)
print(y_train)
classifier = LogisticRegression()
classifier.fit(x_train, y_train)
y_predict = classifier.predict(x_test)
error_index = np.nonzero(y_test - y_predict)[0]
print('error index:', error_index)
error_rate = len(error_index) / len(y_test)
print('error rate:', error_rate)
代码很短，前面一部分，我们依然使用了iris数据集，上一篇关于sklearn的文章，我们自己打乱了数据集，然后进行了训练集和测试集的划分，这次我们调用sklearn的train_test_split函数，该函数帮助我们完成了数据集的划分。前面两个参数没什么，一个是特征数据集，一个是标签集，test_size参数代表测试集占数据集的比例，这里是30%，random_state是随机打乱数据的种子数，我们赋值为0，这样能保证数据集打乱的方式一样，大家在运行时会得到和我一致的效果。
接下来，使用LogisticRegression对象进行训练(fit)，然后进行预测(predict)，最后计算了预测的错误率，运行结果如下：
error index: [16 21 31 35 37]
error rate: 0.1111111111111111
可以看到，使用sklearn更加简单，免去了我们了解算法内部机制的困难。但是，如果我们需要更精细的控制，那么了解算法机制就很有用了，LogisticRegression的构造方法有很多的参数，可以对我们的Logistic回归分类器进行调整，了解详情可以看看官方文档.
