逻辑回归不使用python库的代码

逻辑回归不使用Python库的代码可以使用纯Python实现。下面是一个简单的实现样例：

import numpy as np

class LogisticRegression:

    def __init__(self, lr=0.01, num_iter=100000, fit_intercept=True, verbose=False):
        self.lr = lr
        self.num_iter = 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)

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

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

            if self.verbose and i % 10000 == 0:
                z = np.dot(X, self.theta)
                h = self.__sigmoid(z)
                print(f'Loss: {self.__loss(h, y)} \t')

    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

该代码实现了一个简单的逻辑回归类LogisticRegression，其中：
- `__add_intercept`方法负责给输入的样本点增加一列都为1的截距项，以方便计算；
- `__sigmoid`方法为sigmoid函数，用于给输入的数据点映射到(0,1)之间；
- `__loss`方法为损失函数，用于衡量模型预测误差；
- `fit`方法为模型训练函数，使用梯度下降算法更新模型参数；
- `predict_prob`方法为模型预测函数，返回概率值；
- `predict`方法为模型预测函数，返回二分类结果（一般来说以平均0.5为阈值划分）。

使用该代码可以很方便地构建并训练一个逻辑回归模型，但比起使用Python库代码会更加费时，并且可能会因为算法效率等问题存在一定的精度与速度限制。