给我一个matlab包含数据集和数据处理的logistic回归代码

以下是一个matlab包含数据集和数据处理的logistic回归代码的示例：

% 加载数据集
data = load('ex2data1.txt');
X = data(:, [1, 2]); % 特征矩阵
y = data(:, 3); % 标签向量

% 数据预处理
[m, n] = size(X);
X = [ones(m, 1) X]; % 加上一列全为1的偏置项
initial_theta = zeros(n + 1, 1); % 初始化theta向量

% 定义sigmoid函数
function g = sigmoid(z)
    g = 1 ./ (1 + exp(-z));
end

% 定义代价函数
function [J, grad] = costFunction(theta, X, y)
    m = length(y);
    h = sigmoid(X * theta);
    J = (1 / m) * sum(-y .* log(h) - (1 - y) .* log(1 - h)); % 计算代价
    grad = (1 / m) * X' * (h - y); % 计算梯度
end

% 使用fminunc函数来优化代价函数
options = optimset('GradObj', 'on', 'MaxIter', 400);
[theta, cost] = fminunc(@(t)(costFunction(t, X, y)), initial_theta, options);

% 绘制决策边界
plotData(X(:, 2:3), y);
hold on;
if size(X, 2) <= 3
    plot_x = [min(X(:,2))-2,  max(X(:,2))+2];
    plot_y = (-1./theta(3)).*(theta(2).*plot_x + theta(1));
    plot(plot_x, plot_y)
    legend('Admitted', 'Not admitted', 'Decision Boundary')
    axis([30, 100, 30, 100])
else
    u = linspace(-1, 1.5, 50);
    v = linspace(-1, 1.5, 50);
    z = zeros(length(u), length(v));
    for i = 1:length(u)
        for j = 1:length(v)
            z(i,j) = mapFeature(u(i), v(j)) * theta;
        end
    end
    z = z'; % 重要的一步，需要转置
    contour(u, v, z, [0, 0], 'LineWidth', 2)
end
hold off;

% 预测新数据
prob = sigmoid([1 45 85] * theta); % 预测一个考试成绩为45分和85分的学生是否被录取
fprintf('For a student with scores 45 and 85, we predict an admission probability of %f\n', prob);

其中，`ex2data1.txt`是一个二分类数据集，每行有两个特征和一个标签，表示一个学生是否被大学录取。该文件的格式如下：

34.62365962451697,78.0246928153624,0
30.28671076822607,43.89499752400101,0
35.84740876993872,72.90219802708364,0
60.18259938620976,86.30855209546826,1
79.0327360507101,75.3443764369103,1
45.08327747668339,56.3163717815305,0
61.10666453684766,96.51142588489624,1

`plotData`和`mapFeature`函数的代码如下：

function plotData(X, y)
    % 绘制训练数据
    pos = find(y==1);
    neg = find(y==0);
    plot(X(pos, 1), X(pos, 2), 'k+', 'LineWidth', 2, 'MarkerSize', 7);
    hold on;
    plot(X(neg, 1), X(neg, 2), 'ko', 'MarkerFaceColor', 'y', 'MarkerSize', 7);
end

function out = mapFeature(X1, X2)
    % 对特征进行映射，生成多项式特征
    degree = 6;
    out = ones(size(X1(:,1)));
    for i = 1:degree
        for j = 0:i
            out(:, end+1) = (X1.^(i-j)).*(X2.^j);
        end
    end
end

这段代码会绘制出数据集和决策边界，同时输出一个新数据的预测结果。