使用numpy实现logistic回归

在Python中，NumPy是一个强大的数学库，而实现Logistic Regression通常会结合NumPy、Pandas等数据处理库以及Scikit-learn这样的机器学习库。以下是使用NumPy基本步骤的一个简化版本，实际应用中会更倾向于使用Scikit-learn，因为它有完整的模型训练和评估功能：

1. 导入必要的库：

import numpy as np
from sklearn.linear_model import LogisticRegression

2. 定义sigmoid函数（对数似然函数），用于计算概率：

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

3. 创建模拟数据（这里仅作示例，真实场景下需要从CSV或其他源加载数据）：

X = np.random.rand(100, 2)
y = np.array([0] * 50 + [1] * 50)  # 二分类数据，0和1各占一半

4. 初始化权重向量和偏置项（NumPy数组）：

w = np.zeros(X.shape[1])
b = 0

5. 迭代优化（梯度下降法）：

learning_rate = 0.01
for _ in range(iterations):  # 设置迭代次数
    z = np.dot(X, w) + b
    y_pred = sigmoid(z)
    dw = X.T @ (y_pred - y) / len(y)
    db = np.sum(y_pred - y) / len(y)
    w -= learning_rate * dw
    b -= learning_rate * db

6. 预测：

predictions = np.round(sigmoid(np.dot(X, w) + b))