请根据附件中ex2-logistic regression.ipynb文件，利用ex2data1.txt数据集，计算逻辑回归中的最优参theta 给出代码

对不起，由于这是一个文本环境，我无法直接查看附件或者运行Jupyter notebook脚本。不过，我可以帮你理解如何在Python中使用scikit-learn库来进行逻辑回归，如果你需要手动计算梯度下降法求解最优参数θ（theta），通常会按照以下步骤：

首先，你需要读取数据并将其分为特征和目标变量。假设`ex2data1.txt`是一个CSV格式的数据，你可以使用pandas库加载它：

import pandas as pd

# 读取数据
data = pd.read_csv('ex2data1.txt', header=None)
X = data.iloc[:, :-1] # 特征矩阵
y = data.iloc[:, -1]   # 目标变量

然后，你需要初始化θ，设置学习率α，以及迭代次数。接下来，你可以创建逻辑回归模型，并通过梯度下降算法优化θ：

from sklearn import datasets
from sklearn.linear_model import LogisticRegression

# 初始化θ和参数
n_samples, n_features = X.shape
initial_theta = np.zeros(n_features + 1)  # 假设只有一个截距项
alpha = 0.01  # 学习率
max_iters = 1500  # 最大迭代次数

def compute_cost(X, y, theta):
    h = sigmoid(np.dot(X, theta))
    m = len(y)
    J = (-1/m) * (np.sum(y * np.log(h)) + np.sum((1 - y) * np.log(1 - h)))
    return J

def gradient_descent(X, y, initial_theta, alpha, max_iters):
    m = len(y)
    thetas = [initial_theta]
    for _ in range(max_iters):
        cost = compute_cost(X, y, thetas[-1])
        grad = (1/m) * np.dot(X.T, (sigmoid(np.dot(X, thetas[-1])) - y))
        thetas.append(thetas[-1] - alpha * grad)
    return thetas[-1], cost

best_theta, cost = gradient_descent(X.values, y.values, initial_theta, alpha, max_iters)

这里的`sigmoid`函数用于将线性预测转换成概率形式。

最后，`best_theta`就是你想要的最优参数θ。

注意，如果实际目的是完成ex2的练习，Scikit-learn有一个内置的逻辑回归模型，可以直接拟合数据而无需手动计算θ。使用它会更简单，如下所示：

logreg = LogisticRegression()
logreg.fit(X, y)
best_theta_logreg = logreg.coef_.reshape(-1)