用paddle实现逻辑回归

在PaddlePaddle（飞桨）中实现逻辑回归非常简单，逻辑回归是一种用于二分类任务的基本机器学习模型。以下是使用Python和PaddlePaddle库创建一个简单的逻辑回归模型的基本步骤：

1. **导入所需库**：

import paddle
import paddle.nn as nn

2. **定义网络结构**：

class LogisticRegression(nn.Layer):
    def __init__(self, input_dim):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(input_dim, 1)  # 线性层

    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred.sigmoid()  # 使用sigmoid激活函数将预测值映射到0-1之间

这里的`input_dim`是你输入特征的数量。

3. **加载数据**（假设已经准备好训练数据`train_data`和标签`train_labels`）：

X_train = paddle.to_tensor(train_data)
y_train = paddle.to_tensor(train_labels, dtype='float32')

4. **构建并初始化模型**：

model = LogisticRegression(len(train_data[0]))
optimizer = paddle.optimizer.SGD(learning_rate=0.01)  # 使用随机梯度下降优化器

# 初始化模型参数
model.train()

5. **开始训练循环**：

num_epochs = 100
for epoch in range(num_epochs):
    loss = model(X_train, y_train)
    loss.backward()
    optimizer.step()
    optimizer.clear_grad()
    
    # 可能会打印训练进度信息
    print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.numpy():.4f}")

6. **评估模型**：
训练完成后，你可以使用测试数据集对模型性能进行评估：

X_test = paddle.to_tensor(test_data)
y_test = paddle.to_tensor(test_labels, dtype='float32')

# 获取预测结果
predictions = model(X_test).numpy().squeeze()

# 计算准确率或其他评估指标
accuracy = (predictions > 0.5) == y_test.numpy()
print("Accuracy:", accuracy.mean())