写一段机器学习逻辑回归的代码

当然可以！以下是一个简单的机器学习逻辑回归的代码示例：

import numpy as np

class LogisticRegression:
    def __init__(self, learning_rate=0.01, num_iterations=1000):
        self.learning_rate = learning_rate
        self.num_iterations = num_iterations
        self.weights = None
        self.bias = None

    def sigmoid(self, z):
        return 1 / (1 + np.exp(-z))

    def fit(self, X, y):
        num_samples, num_features = X.shape
        self.weights = np.zeros(num_features)
        self.bias = 0

        # gradient descent optimization
        for _ in range(self.num_iterations):
            linear_model = np.dot(X, self.weights) + self.bias
            y_pred = self.sigmoid(linear_model)

            dw = (1 / num_samples) * np.dot(X.T, (y_pred - y))
            db = (1 / num_samples) * np.sum(y_pred - y)

            self.weights -= self.learning_rate * dw
            self.bias -= self.learning_rate * db

    def predict(self, X):
        linear_model = np.dot(X, self.weights) + self.bias
        y_pred = self.sigmoid(linear_model)
        y_pred_cls = [1 if i > 0.5 else 0 for i in y_pred]
        return y_pred_cls

这是一个简单的逻辑回归类，包括了训练和预测方法。你可以使用`fit`方法传入特征矩阵 `X` 和对应的标签 `y` 进行模型训练，然后使用`predict`方法进行预测。注意，在这个示例中，特征矩阵 `X` 的每一行代表一个样本，每一列代表一个特征。标签 `y` 是一个包含0和1的一维数组。