用MATLAB构建逻辑回归模型检测癌症 要求准确率达到百分之九十六

你好同学，代码供参考：

close;clear;clc;

%% 二分类:数据获取
Features = 30;

load('train.mat');% 导入train数据
load('test.mat'); % 导入test数据

train_data=[ones(size(train,1),1),train(:,3:end)];
max_train_data = max(train_data);
train_data = train_data./repmat(max_train_data,size(train_data,1),1);%归一化
train_label=train(:,2);
test_data=[ones(size(test,1),1),test(:,3:end)];
test_data = test_data./repmat(max_train_data,size(test_data,1),1);%归一化
test_label=test(:,2);
[m1,n1] = size(train_data);
[m2,n2] = size(test_data);

%% 训练
%设定学习率delta;迭代次数;模型参数
delta=0.005; % 学习率
num = 200;% 学习两百次
theta=rand(1,Features+1);% 除w之外多一个偏置b
L=zeros(1,num);
for I = 1:num
    dt=zeros(1,Features);
    loss=0;
    for i=1:m1
        Data_Features=train_data(i,1:Features+1);
        Data_Label=train_label(i,1);
        t = theta * Data_Features';
        t(t<=-10) = -10;
        t(t>10) = 10;
        h=1/(1+exp(-t)); % h为P(Y=1|X) = exp(w·x)/[1+exp(w·x)]
        dt=(Data_Label-h) * Data_Features;   % 对数似然函数对w的求导
        theta=theta + delta*dt; % 梯度下降法更新参数w
        loss = loss + Data_Label*log(h)+(1-Data_Label)*log(1-h);% 对数似然函数
    end
    % 由于问题划归为由极大似然估计估计参数，是对似然函数求极大值
    % 统一起见应用梯度下降法，归为对极大似然函数相反数的极小值求解，此处除以了样本数量，为平均损失
    loss=-loss/m1;
    L(I) = loss;% 作损失函数图
    
    if loss<0.001
        break;
    end
end

%% 作图
figure(1);
plot(L);
title('损失函数');

%% 测试准确率
acc=0;
for i=1:m2
    Data_Features=test_data(i,1:Features+1)';
    Data_Label=test_label(i);
    P_Y1=1/(1+exp(-theta * Data_Features));% P(Y=1|X) = exp(w·x)/[1+exp(w·x)]
    if P_Y1>0.5 && Data_Label==1
        acc=acc+1;
    elseif P_Y1<=0.5 && Data_Label==0
        acc=acc+1;
    end
end

fprintf('训练测试完成!\n应用模型：逻辑斯蒂回归\n优化算法：梯度下降\ntest_acc:%6.2f%%\n',acc/m2*100)

然后结果是：
损失函数：

训练测试完成!
应用模型：逻辑斯蒂回归
优化算法：梯度下降
test_acc: 97.50%

满足了测试精度要求，哈哈哈，有帮助望采纳呢，谢谢啦