逻辑回归是一种有监督的学习分类算法，用于预测目标变量的概率。目标或因变量的性质是二分法的，这意味着将只有两个可能的类。主要解决二分类问题。

主要步骤有三个：

1. 求线性回归曲线。
2. 通过 sigmoid 函数将线性回归曲线转为 0-1 范围函数。 $\sigma (x)=\frac{1}{1+e^{-x}}$。其中x是步骤 1 中的线性回归曲线。
3. 然后转为 0、1 分类，大于 0.5 的是一类，小于 0.5 的划分为另一种类。

以下是一个简单的应用示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import confusion_matrix, accuracy_score

# 假设 df 是包含上述数据的 DataFrame
df = pd.read_csv('bank_data.csv')

# 数据预处理：将分类标签转化为数值
df['Subscribed'] = df['Subscribed'].map({'No': 0, 'Yes': 1})

# 特征与目标变量
X = df[['Age', 'Income', 'Savings']]
y = df['Subscribed']

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

# 创建逻辑回归模型,注意设置max_iter以避免迭代次数不够的警告
logreg = LogisticRegression(max_iter=1000)

# 训练模型
logreg.fit(X_train, y_train)

# 预测
predictions = logreg.predict(X_test)

# 评估模型
print(y_test)
print(predictions)

print("Confusion Matrix:")
print(confusion_matrix(y_test, predictions))
print("Accuracy Score:", accuracy_score(y_test, predictions))

上述代码演示了如何使用sklearn进行逻辑回归模型训练以及预测。与其他训练模型的基本思路一致，主要包括以下步骤：

1. 获取数据集。
2. 标准化数据集。
3. 将数据集划分成训练集和测试集。
4. 训练。
5. 对测试集合进行预测。
6. 评估准确率。