逻辑回归c语言实例代码

逻辑回归是一种用于分类任务的统计学模型，尤其适用于二元分类问题。在C语言中实现逻辑回归的基本步骤通常包括数据预处理、模型训练和预测。以下是一个简单的逻辑回归模型的C语言示例代码，这里假设我们使用了梯度下降法进行参数估计：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

// 定义sigmoid函数
double sigmoid(double z) {
    return 1 / (1 + exp(-z));
}

// 计算损失函数
double cost_function(double* theta, int m, double* X, double* y) {
    double hypothesis = 0, sum = 0;
    for (int i = 0; i < m; i++) {
        hypothesis += theta[0] + theta[1] * X[i][0]; // 假设值
        if (hypothesis > 0)
            sum += log(sigmoid(hypothesis));
        else
            sum += log(1 - sigmoid(hypothesis));
    }
    return -sum/m;
}

// 梯度下降更新
void gradient_descent(double* theta, int alpha, int m, double* X, double* y) {
    int n = sizeof(X[0]) / sizeof(X[0][0]);
    for (int i = 0; i < n+1; i++) {
        double grad = 0;
        for (int j = 0; j < m; j++) {
            grad += (sigmoid(theta[0] + theta[1] * X[j][i]) - y[j]) * X[j][i];
        }
        theta[i] -= alpha * grad / m;
    }
}

int main() {
    // 数据集模拟，假设X是特征数组，y是标签数组
    int m = 100;
    double* X = malloc(sizeof(double)*m);
    double* y = malloc(sizeof(double)*m);
    // ... 初始化数据 ...

    int alpha = 0.01; // 学习率
    int max_iterations = 1000; // 最大迭代次数

    double* theta = malloc(sizeof(double) * (n+1)); // 初始化θ
    for (int i = 0; i <= n; i++)
        theta[i] = 0;

    for (int iter = 0; iter < max_iterations; iter++) {
        gradient_descent(theta, alpha, m, X, y);
        printf("Cost after iteration %d: %.4f\n", iter, cost_function(theta, m, X, y));
    }

    // 预测新样本
    double new_sample = ...; // 新输入特征
    int prediction = (sigmoid(theta[0] + theta[1] * new_sample) >= 0.5 ? 1 : 0);
    printf("Prediction for sample: %d\n", prediction);

    free(X);
    free(y);
    free(theta);
    return 0;
}

请注意，这只是一个基础示例，实际应用中需要处理更多的细节，如正则化、交叉验证等，并且数据应该从文件读取或通过其他方式加载。此外，这个例子没有包含输入数据的划分和测试部分。