前言
昨天我們完成資料前處理與特徵工程，現在已經有乾淨且規範的資料可以使用。今天將進入核心步驟：建立邏輯迴歸模型，讓模型學習特徵與目標之間的關係。

一、建立邏輯迴歸模型

from sklearn.linear_model import LogisticRegression

# 建立模型
model = LogisticRegression()

# 用訓練集進行模型訓練
model.fit(X_train, y_train)

說明：

• fit() 會讓模型根據訓練資料學習每個特徵的權重，使模型對結果的預測更準確。
• 每個特徵會有一個「權重」，模型內部自動計算，用來判斷特徵對預測結果的影響。正值表示正向影響，負值表示負向影響。
• 訓練次數：雖然程式碼中看不到手動迭代的步驟，fit() 內部已經自動進行多次迭代來調整權重。

二、初步評估模型

from sklearn.metrics import accuracy_score

# 預測測試集
y_pred = model.predict(X_test)

# 計算準確率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

說明：

• model.predict(X_test)：使用訓練好的模型對測試資料進行預測，得到模型認為每筆資料的分類結果（0 或 1）。
• accuracy_score(y_test, y_pred)：計算模型預測結果與真實標籤相比的正確率。
• y_test：測試集的真實目標值。
• y_pred：模型預測的目標值。
• 准確率 = 正確預測數 / 測試資料總數。
• print("Accuracy:", accuracy)：將計算出的準確率印出，方便我們了解模型在新資料上的表現。

三、使用模型進行單筆資料預測

# 隨便挑一筆測試資料，這裡選第一筆
sample_X = X_test[0].reshape(1, -1)  # reshape成 (1, 特徵數量)
sample_y = y_test.iloc[0]             # 用 iloc 取位置，避免 KeyError

# 顯示輸入特徵值
print("輸入特徵值：")
print(sample_X)

# 使用模型進行預測
sample_pred = model.predict(sample_X)

# 顯示結果
print("真實值:", sample_y)
print("模型預測:", sample_pred[0])

說明：

• sample_X：這筆測試資料的特徵值，是模型的輸入。
• sample_y：這筆資料的真實標籤，用來對比模型預測結果。
• reshape(1, -1)：因為模型需要「二維資料」輸入，即使只有一筆資料，也要加上這個維度。
• model.predict(sample_X)：使用訓練好的模型對這筆資料進行預測。

印出的結果可以看到 模型認為這筆資料是良性還是惡性，再跟真實值比較。

小結
今天我們完成了邏輯迴歸模型的建立，並試著用它來預測單筆資料。雖然我們沒有手動調整任何內部數值，模型已經能自動學習特徵的重要性。
後續章節，我們會介紹更多模型設定的方式，幫助模型學得更準確，也會說明其他評估模型的方法，讓我們能更全面地了解模型的表現。