加了logistic_scores[C] = {}后会报错

了解您的问题，我会帮您修正代码。

第1步：为不同的 C 值初始化逻辑回归模型并进行交叉验证评估

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn.metrics import make_scorer, accuracy_score, precision_score, recall_score, f1_score

# 定义不同C值
C_values = [0.01, 0.1, 1, 10, 100]

# 初始化存储不同C值下的性能指标的字典
logistic_scores = {
    C: {
        'accuracy': [],
        'precision': [],
        'recall': [],
        'f1': []
    } for C in C_values
}

# 针对不同C值进行训练和评估
for C in C_values:
    lr = LogisticRegression(C=C, solver='liblinear', random_state=42)

    # 使用make_scorer转换指标函数为scorer对象
    scoring = {
        'accuracy': make_scorer(score_func=accuracy_score),
        'precision': make_scorer(score_func=precision_score, average='macro'),
        'recall': make_scorer(score_func=recall_score, average='macro'),
        'f1': make_scorer(score_func=f1_score, average='macro')
    }

    # 对每个模型进行交叉验证并计算各项指标
    for metric, scorer in scoring.items():
        scores = cross_val_score(lr, X_train, y_train, cv=5, scoring=scorer)
        mean_score = scores.mean() * 100  # 转换为百分比
        logistic_scores[C][metric].append(mean_score)

第2步：选择最优的 C 值并打印

# 选择最优的C值，基于准确率
optimal_C_idx = max(range(len(C_values)), key=lambda i: logistic_scores[C_values[i]]['accuracy'][0])
optimal_C = C_values[optimal_C_idx]

print(f"Optimal C value for Logistic Regression based on accuracy: {optimal_C}")

第3步：绘制性能指标随 C 值变化的图

import matplotlib.pyplot as plt

# 绘制性能指标随C值变化的图
plt.figure(figsize=(12, 8))
for metric, values in logistic_scores[optimal_C].items():
    plt.plot(C_values, values, label=f'{metric} (Optimal C={optimal_C})')

plt.title('Logistic Regression Performance Metrics vs. Regularization Parameter C')
plt.xlabel('Regularization Parameter C')
plt.ylabel('Scores (%)')
plt.legend()
plt.xscale('log')  # 使用对数刻度来显示C值
plt.grid(True)
plt.show()

请注意，在第2步中，我们只选择了准确率最高的那个 C 值作为最优 C 值，并在第3步中绘制了该 C 值对应的所有性能指标。如果想要为其他性能指标也找到最优 C 值，您可以根据需要修改这部分代码。