基于Logistic回归和Sigmoid函数的分类过关代码

基于 Logistic 回归的分类算法通常用于二分类问题，而 Sigmoid 函数作为激活函数，常用于神经网络中将线性结果映射到(0, 1)之间，表示概率。以下是使用 Python 的 scikit-learn 库实现一个简单的 Logistic Regression 分类模型的示例代码：

# 导入所需的库
from sklearn.linear_model import LogisticRegression
import numpy as np

# 假设我们有特征数据 X 和标签 y
X = ... # (样本数, 特征数)形状的数据
y = ... # 样本对应的标签数组，通常是 0 或 1 形状

# 创建 LogisticRegression 模型
model = LogisticRegression(solver='liblinear')  # 使用 'liblinear' 适合小规模数据

# 训练模型
model.fit(X, y)

# 预测新样本
new_data = ...  # 新的输入数据
predictions = model.predict(new_data)

# 使用 Sigmoid 函数将预测概率转换为类别
sigmoid_probs = model.predict_proba(new_data)
class_predictions = sigmoid_probs[:, 1] > 0.5  # 如果大于0.5则预测为正类

# 打印一些关键信息
print("Accuracy:", model.score(X, y))
print("Classification example:", class_predictions[0], "with probability", sigmoid_probs[0][1])