def ObjFun(x,y,beta): # 目标函数 """ Logistic regression loss function :param beta: model parameter vector :param x: feature matrix :param y: label vector :return: loss value """ n = x.shape[0] p = x.shape[1] #? sigmoid = 1 / (1 + np.exp(-np.dot(x, beta))) pred = np.clip(sigmoid, 1e-15, 1 - 1e-15) # 将预测值限制在一个很小的区间内 ObjVal = -np.sum(y * np.log(pred) + (1 - y) * np.log(1 - pred)) / n # 除以 n 是为了消除样本数量的影响，使得不同样本数量的训练集可以进行比较 return ObjVal

这段代码是用来计算逻辑回归的损失函数的，其中参数x是特征矩阵，y是标签向量，beta是模型参数向量。函数中首先通过sigmoid函数计算出预测值，然后使用np.clip函数将预测值限制在一个很小的区间内，避免出现log(0)或log(1)的情况。接着使用交叉熵损失函数计算目标函数的值，并除以样本数量n来消除不同样本数量的影响。该函数的返回值是目标函数的值。