已知训练数据集 口，其正实例点(丫二工)是工=(3.3,3-，2,=(4,3.2)1. 8,=(2,1,2). 负实例点(！=0)是8,=（,1.D，2,=（-1.0.D-.5。=(2,-2,D-，求逻辑斯缔回归模型． 并对点(1,2,-2)-进行分类。。

逻辑斯谛回归模型是一种二分类模型，假设数据集的标签为0或1。模型的形式为：

p(y=1|x) = sigmoid(w^T*x + b)

其中，sigmoid函数为：

sigmoid(z) = 1 / (1 + exp(-z))

模型的训练过程是通过最大化似然函数来确定参数w和b的值，似然函数的形式为：

L(w, b) = ∏[p(yi=1|xi; w, b)]^yi * [1 - p(yi=1|xi; w, b)]^(1-yi)

使用梯度下降法对似然函数进行优化，求解出最优的参数w和b。

根据给定的训练数据集，我们可以构建如下的逻辑斯谛回归模型：

p(y=1|x) = sigmoid(w1*x1 + w2*x2 + w3*x3 + b)

其中，x1、x2、x3分别表示样本点的三个特征值，即(3.3,3.2)，(4,3.2)，(1.8,2.1)和(-1.0,-0.5,-2.0)。y为样本点的标签，1表示正例，0表示负例。

对于给定的点(1,2,-2)，我们将其代入模型中计算出其属于正例的概率值：

p(y=1|x= (1,2,-2)) = sigmoid(w1*1 + w2*2 + w3*(-2) + b)

为了进行分类，我们需要对上式的结果进行判断，如果大于0.5，则判定为正例，否则判定为负例。