基于逻辑回归的 代码

逻辑回归是一种二分类算法，适用于将输入特征与对应的二元输出变量相关联的情况。它的主要思想是将输入特征加权求和，然后将这个加权和通过一个称为sigmoid函数的非线性函数转换为0和1之间的概率估计值。下面是一个基于Python的简单的逻辑回归代码示例：

# 导入相关库
import numpy as np
from sklearn.linear_model import LogisticRegression

# 生成数据集
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([0, 0, 1, 1])

# 创建逻辑回归模型
clf = LogisticRegression(random_state=0, solver='lbfgs')

# 拟合模型
clf.fit(X, y)

# 预测新样本的类别
print(clf.predict([[4, 5], [8, 9]]))

上面的代码首先生成了一个4个样本和2个特征的数据集，其中前两个样本属于类别0，后两个属于类别1。然后使用sklearn库中的LogisticRegression类创建了一个逻辑回归模型，使用fit()方法拟合了数据，最后使用predict()方法对新样本进行分类预测。