输入x_train.T和y_train.T输出w，b的对数几率模型python代码

以下是基于梯度下降法的对数几率回归模型的Python代码：

import numpy as np

# 定义对几率回归模型
class LogisticRegression:
    def __init__(self, lr=0.01, num_iter=100000, fit_intercept=True, verbose=False):
        self.lr = lr
        self.num = num_iter
        self.fit_intercept = fit_intercept
        self.verbose = verbose
    
    def __add_intercept(self, X):
        intercept = np.ones((X.shape[0], 1))
        return np.concatenate((intercept, X), axis=1)
    
    def __sigmoid(self, z):
        return 1 / (1 + np.exp(-z))
    
    def __loss(self, h, y):
        return (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()
    
    def fit(self, X, y):
        if self.fit_intercept:
            X = self.__add_intercept(X)
        
        # 初始化参数w和b
        self.w = np.zeros(X.shape[1])
        
        for i in range(self.num_iter):
            z = np.dot(X, self.w)
            h = self.__sigmoid(z)
            gradient = np.dot(X.T, (h - y)) / y.size
            self.w -= self.lr * gradient
            
            if self.verbose and i % 10000 == 0:
                z = np.dot(X, self.w)
                h = self.__sigmoid(z)
                print(f'loss: {self.__loss(h, y)}\t')
    
    def predict_proba(self, X):
        if self.fit_intercept:
            X = self.__add_intercept(X)
        
        return self.__sigmoid(np.dot(X, self.w))
    
    def predict(self, X, threshold=0.5):
        return self.predict_proba(X) >= threshold

其中，输入参数 `x_train.T` 和 `y_train.T` 代表训练数据的特征和标签，`w` 和 `b` 分别为模型的参数，对应于上述代码中的 `self.w`。需要注意的是，该代码中的特征数据 `X` 需要增加一维常数项，即在数据的第一列插入全为 1 的一列。