∑_1^n▒{y_i (〖ln(〗⁡〖∅(β^T x_i )〗 )+(1-y_i)ln⁡〖(1-∅(β^T x_i ))〗 } 运用累加求和函数写成代码python

利用Python中的向量化计算，可以将逻辑回归的损失函数写成更加简洁的代码，如下所示：

import numpy as np

def logistic_regression_loss(beta, X, y):
    """
    Logistic regression loss function
    :param beta: model parameter vector
    :param X: feature matrix
    :param y: label vector
    :return: loss value
    """
    z = np.dot(X, beta)
    logit = 1 / (1 + np.exp(-z))
    loss = np.sum(y * np.log(logit) + (1 - y) * np.log(1 - logit))
    loss = -loss / X.shape[0]
    return loss

其中，`np.dot(X, beta)`表示特征矩阵和参数向量的矩阵乘法，得到每个样本的预测值，`1 / (1 + np.exp(-z))`表示逻辑函数，`np.sum(y * np.log(logit) + (1 - y) * np.log(1 - logit))`表示对每个样本的损失值进行求和，最后再除以样本个数求平均得到总体损失值。