python 逻辑回归 源码

以下是一个简单的 Python 逻辑回归的实现代码：

import numpy as np

class LogisticRegression:
    
    def __init__(self, learning_rate=0.01, num_iterations=1000, fit_intercept=True):
        self.learning_rate = learning_rate
        self.num_iterations = num_iterations
        self.fit_intercept = fit_intercept
    
    def __add_intercept(self, X):
        intercept = np.ones((X.shape[0], 1))
        return np.concatenate((intercept, X), axis=1)
        
    def __sigmoid(self, z):
        return 1 / (1 + np.exp(-z))
    
    def __loss(self, h, y):
        return (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()
    
    def fit(self, X, y):
        if self.fit_intercept:
            X = self.__add_intercept(X)
        
        # weights initialization
        self.theta = np.zeros(X.shape[1])
        
        for i in range(self.num_iterations):
            z = np.dot(X, self.theta)
            h = self.__sigmoid(z)
            gradient = np.dot(X.T, (h - y)) / y.size
            self.theta -= self.learning_rate * gradient
            
            if(i % 100 == 0):
                z = np.dot(X, self.theta)
                h = self.__sigmoid(z)
                print('loss: {}'.format(self.__loss(h, y)))
    
    def predict_prob(self, X):
        if self.fit_intercept:
            X = self.__add_intercept(X)
    
        return self.__sigmoid(np.dot(X, self.theta))
    
    def predict(self, X, threshold):
        return self.predict_prob(X) >= threshold

该类包含以下方法：

1. `__init__()`: 构造函数，用于设置学习率、迭代次数和是否拟合截距项。
2. `__add_intercept()`: 内部方法，用于添加截距项。
3. `__sigmoid()`: 内部方法，用于计算 sigmoid 函数。
4. `__loss()`: 内部方法，用于计算损失函数。
5. `fit()`: 训练模型，使用梯度下降法更新权重，每 100 次迭代输出一次损失函数值。
6. `predict_prob()`: 预测样本属于正例的概率。
7. `predict()`: 预测样本的类别，需要指定阈值。