前言：参考mlflow提供的examples，使用python sklearn提供机器学习函数，进行模型训练和模型预测。主要步骤如下
首先，通过numpy初始化训练数据和测试数据，代码实现如下：
X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
y = np.array([0, 0, 1, 1, 1, 0])
其中Numpy函数的含义如下
reshape：可以重新调整矩阵的行列数。当为-1时，会根据另一个参数的维度计算出该数组属性值。
然后，通过python sklearn提供的机器学习函数，构造逻辑回归模型；输入给定的训练数据和测试数据，实现模型拟合和模型预测，主要代码实现如下
lr = LogisticRegression()
lr.fit(X, y)
lr.predict(X)
score = lr.score(X, y)
其中函数的含义如下
fit：训练模型，进行回归计算
predict(X)：预测方法，返回X的预测值
score：评价模型，逻辑回归模型返回平均准确度
完整的Python代码如下：
from __future__ import print_function
import numpy as np
from sklearn.linear_model import LogisticRegression
import mlflow
import mlflow.sklearn
X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
y = np.array([0, 0, 1, 1, 1, 0])
lr = LogisticRegression()
lr.fit(X, y)
score = lr.score(X, y)
print("Score: %s" % score)
mlflow.log_metric("score", score)
mlflow.sklearn.log_model(lr, "model")
print("Model saved in run %s" % mlflow.active_run().info.run_uuid)
参考：# sklearn学习笔记之简单线性回归
mlflow examples sklearn_logistic_regression
