逻辑回归模型的梯度下降算法代码

以下是逻辑回归模型的梯度下降算法代码：

import numpy as np

def sigmoid(x):
    """
    Sigmoid函数实现
    """
    return 1 / (1 + np.exp(-x))

def logistic_regression(X, y, lr=0.01, num_iter=100000):
    """
    逻辑回归模型的梯度下降算法实现
    """
    # 初始化参数
    m, n = X.shape
    theta = np.zeros((n, 1))
    bias = 0
    
    # 梯度下降循环
    for i in range(num_iter):
        # 计算sigmoid函数值
        z = np.dot(X, theta) + bias
        h = sigmoid(z)
        
        # 计算损失函数值
        loss = (-1/m) * np.sum(y * np.log(h) + (1-y) * np.log(1-h))
        
        # 计算梯度
        d_theta = (1/m) * np.dot(X.T, (h-y))
        d_bias = (1/m) * np.sum(h-y)
        
        # 更新参数
        theta = theta - lr * d_theta
        bias = bias - lr * d_bias
        
        # 每1000次迭代输出一次损失函数值
        if i % 1000 == 0:
            print(f"Loss after iteration {i}: {loss}")
    
    return theta, bias

其中，sigmoid函数用于将预测值转换为概率值；logistic_regression函数实现了逻辑回归模型的梯度下降算法，输入参数包括样本特征X和标签y，学习率lr和迭代次数num_iter。输出参数包括参数向量theta和偏置bias。在迭代过程中，每1000次迭代输出一次损失函数值。