不使用sklearn库

好的，那我们可以手写一个简单的分类器来对数据进行分类。以下是一个基于梯度下降的逻辑回归分类器的示例代码：

import numpy as np

class LogisticRegression:
    def __init__(self, lr=0.01, num_iterations=100000, fit_intercept=True):
        self.lr = lr
        self.num_iterations = num_iterations
        self.fit_intercept = fit_intercept
        
    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)

        self.theta = np.zeros(X.shape[1])

        for i in range(self.num_iterations):
            z = np.dot(X, self.theta)
            h = self.sigmoid(z)
            gradient = np.dot(X.T, (h - y)) / y.size
            self.theta -= self.lr * gradient

    def predict_prob(self, X):
        if self.fit_intercept:
            X = self.add_intercept(X)

        return self.sigmoid(np.dot(X, self.theta))

    def predict(self, X, threshold=0.5):
        return self.predict_prob(X) >= threshold

在这个示例中，我们使用了逻辑回归模型来进行分类。该模型使用梯度下降算法来最小化损失函数，从而得到模型参数。在具体实现中，我们使用了sigmoid函数作为激活函数，用于将模型的输出映射到0到1之间，表示概率。然后我们可以使用阈值来将概率转换为二元分类结果。