逻辑回归解决分类问题，第一步要先确定特征，自变量，因变量

用R 的glm，原始数据读入

read.csv（）#第一行为列名，header=T，列名是各自变量

先分训练集和测试集，7：3

train_sub = sample(nrow(data1),7/10*nrow(data1))

train_data = data1[train_sub,] 

test_data = data1[-train_sub,]

用到的是glm（）函数，公式如下

data1_logistic <- glm(f,data = train_data, family = "binomial")

f指的是回归公式，如果自变量比较少，可以手动键入公式，如果自变量比较多，那么可以先写一行代码生成公式：

f <- as.formula(paste('y ~',paste(bpname,collapse = ' + ')))

最后summary一下，得出结果。

评估回归训练模型常用ROC曲线：

library(pROC) pre <- predict.glm(data1_logistic, type = 'response', newdata = test_data) real <- test_data$y date_roc <- roc(real, pre) plot(date_roc, print.auc = TRUE, auc.polygon = TRUE, legacy.axes = TRUE, grid = c(0.1, 0.2), grid.col = c("green", "red"), max.auc.polygon = TRUE, auc.polygon.col = "skyblue", print.thres = TRUE, xlab = "特异度", ylab = "灵敏度", main = "逻辑回归结果")

结果AUC值越接近1,说明模型越好!