用python代码实现逻辑回归的参数估计算法

好的，下面是用Python实现逻辑回归的参数估计算法的代码：

import numpy as np
from scipy.optimize import minimize

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

def cost_function(theta, X, y):
    m = len(y)
    h = sigmoid(X @ theta)
    J = -1/m * (y.T @ np.log(h) + (1 - y).T @ np.log(1 - h))
    grad = 1/m * X.T @ (h - y)
    return J, grad

def fit(X, y):
    m, n = X.shape
    X = np.hstack((np.ones((m, 1)), X))
    initial_theta = np.zeros((n + 1, 1))
    options = {'maxiter': 400}
    res = minimize(cost_function, initial_theta, args=(X, y), jac=True, method='TNC', options=options)
    return res.x

其中，`sigmoid`函数是逻辑回归中的Sigmoid函数，`cost_function`函数是逻辑回归的损失函数和梯度函数，`fit`函数是对整个模型的拟合过程。这里使用了`scipy`库中的`minimize`函数来最小化损失函数，具体使用方法可以参考[官方文档](https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html)。

使用时，只需要将训练数据`X`和标签`y`传入`fit`函数即可得到模型参数。