Python中做logistic回归模型

data1 是40名癌症病人的一些生存资料，其中，X1表示生活行动能力评分（1~100），X2表示病人的年龄，X3表示由诊断到直入研究时间（月）；X4表示肿瘤类型，X5把ISO两种疗法（“1”是常规，“0”是试验新疗法）；Y表示病人生存时间（“0”表示生存时间小于200天，“1”表示生存时间大于或等于200天）
试建立Y关于X1~X5的logistic回归模型
1、读入数据做数据清洗和特征选择：

# -*- coding: utf-8 -*-
import pandas as pd
from sklearn.linear_model import LogisticRegression as LR
from sklearn.linear_model import RandomizedLogisticRegression as RLR

data1=pd.read_table(r'C:/Users/Administrator/Desktop/data1.txt',sep='\s+',
	encoding='gbk',usecols=(1,2,3,4,5,6))
X=data1.iloc[:,:5].as_matrix()
y=data1.iloc[:,5].as_matrix()

#特征筛选
rlr=RLR()
rlr.fit(X,y)
print(rlr.get_support())
print(u'通过随机逻辑回归模型筛选特征结束。')

用随机逻辑回归用于特征筛选，可以看到只有x1 符合
2、将x1做逻辑回归

#建议逻辑回归模型
lr=LR()
x=data1.iloc[:,:1].as_matrix()
lr.fit(x,y)
print('模型建立结束')
print('模型平均正确率：{0}'.format(lr.score(x,y)))

可以看到模型正确率达到75%。