给出逻辑回归算法的伪代码

逻辑回归是一种用于解决二分类问题的线性模型，其基本思想是通过将输入特征与权重相乘然后加上偏置项，最后通过sigmoid函数转换成概率形式。以下是逻辑回归的基本伪代码：

// 初始化参数
weights = [0] * n_features
bias = 0

// 训练过程（梯度下降法）
for _ in range(num_iterations):
    for i in range(num_samples):
        # 预测当前样本的概率
        prediction = sigmoid(dot(input_data[i], weights) + bias)
        
        # 计算预测值和真实标签之间的损失（交叉熵损失）
        loss = -y_true[i] * log(prediction) - (1 - y_true[i]) * log(1 - prediction)
        
        # 更新权重和偏置（使用批量梯度下降）
        gradient_weights = dot(input_data[i].transpose(), (prediction - y_true[i]))
        gradient_bias = prediction - y_true[i]
        weights -= learning_rate * gradient_weights / num_samples
        bias -= learning_rate * gradient_bias / num_samples
        
// sigmoid函数
sigmoid(x) = 1 / (1 + exp(-x))

// 预测阶段
def predict(input_data_point):
    linear_output = dot(input_data_point, weights) + bias
    return round(sigmoid(linear_output))  // 返回最接近的概率类别（通常0或1）