用python代码实现逻辑回归模型的参数估计

好的，下面是用Python实现逻辑回归模型的参数估计的代码：

import numpy as np
from scipy.optimize import minimize

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

def cost_function(theta, X, y):
    """
    逻辑回归代价函数
    """
    m = len(y)
    h = sigmoid(X @ theta)
    J = -1 / m * (y.T @ np.log(h) + (1 - y).T @ np.log(1 - h))
    grad = 1 / m * X.T @ (h - y)
    return J, grad

def fit(X, y):
    """
    拟合逻辑回归模型
    """
    m, n = X.shape
    X = np.hstack((np.ones((m, 1)), X))  # 添加偏置项
    initial_theta = np.zeros((n + 1, 1))  # 初始化参数
    res = minimize(cost_function, initial_theta, args=(X, y), jac=True, method='BFGS')
    return res.x

# 示例
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([[0], [1], [0]])
theta = fit(X, y)
print(theta)

其中，`sigmoid`函数用于计算sigmoid函数值；`cost_function`函数用于计算逻辑回归代价函数及其梯度；`fit`函数用于拟合逻辑回归模型，返回参数估计值。以上是一个简单的示例，可以根据实际情况进行修改。