逻辑回归python代码实现

逻辑回归（Logistic Regression）是一种常用的分类算法，主要用于处理二分类问题。在逻辑回归中，我们试图通过一个线性模型来预测两个类别之一的概率。

在这里，我将为您提供一个简单的逻辑回归的Python实现示例，以便您更好地了解这个算法的工作原理。

首先，我们需要导入必要的库：

```python import numpy as np import matplotlib.pyplot as plt ```

接下来，我们定义一个sigmoid函数，它将计算输入的概率：

```python def sigmoid(z): return 1 / (1 + np.exp(-z)) ```

然后，我们定义逻辑回归的训练函数，其中包括计算成本函数和梯度下降：

```python def train(X, y, lr, epochs): m, n = X.shape theta = np.zeros(n) for i in range(epochs): z = np.dot(X, theta) h = sigmoid(z) cost = -1/m * np.sum(y*np.log(h) + (1-y)*np.log(1-h)) gradient = 1/m * np.dot(X.T, (h - y)) theta -= lr * gradient if i % 100 == 0: print(f'Epoch {i}, Cost: {cost}') return theta ```

接下来，我们可以使用这个函数来训练我们的模型。首先，我们创建一些模拟数据：

```python X = np.array([[1, 2], [2, 3], [3, 4], [4, 5]]) y = np.array([0, 0, 1, 1]) ```

然后，我们调用train函数：

```python theta = train(X, y, lr=0.01, epochs=1000) ```

最后，我们可以使用训练好的模型来进行预测：

```python def predict(X, theta): z = np.dot(X, theta) h = sigmoid(z) return np.round(h) ```

以上就是一个简单的逻辑回归的Python实现示例。逻辑回归是一个简单但有效的分类算法，可以应用于多种问题中。希望这个示例对您有所帮助，让您更深入地了解逻辑回归算法的工作原理。