用pycharm写用IPython解释器：使用 numpy 编写逻辑回归算法，对 iris 数据进行多分类。 具体内容：输出决策函数的参数、预测值、分类准确率等。 提示： （1）可采用 OVR、OVO、ECOC 策略。 （2）可采用 CrossEntropy Loss + softmax 策略。 a）需将三个类别（如 0,1,2）进行 one-hot 编码。 b）每个线性分类器对应一组模型参数，3 个线性分类器对应 3 组模型参数。 c）可通过 softmax 回归计算多种类别的概率（K 种类别概率和为 1）。 d）通过最小化 CrossEntropy Loss 的梯度下降算法进行分类器参数寻优。

好的，我会给出一份使用 PyCharm 中的 IPython 解释器编写的代码，实现对 iris 数据集的多分类逻辑回归。

首先，我们需要导入必要的库，包括 numpy、pandas 和 sklearn：

import numpy as np
import pandas as pd
from sklearn import datasets

然后，我们需要加载 iris 数据集，并将其转化为 pandas.DataFrame 格式：

iris = datasets.load_iris()
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['target'] = iris.target

接着，我们需要对目标变量进行 one-hot 编码，以便进行多分类逻辑回归：

y = pd.get_dummies(df['target']).values

然后，我们需要将数据集分为训练集和测试集：

from sklearn.model_selection import train_test_split

X = df.drop(['target'], axis=1).values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们需要实现逻辑回归模型。我们可以采用 OVR 策略，即对每个类别训练一个二元分类器。我们可以使用 CrossEntropy Loss + softmax 策略求解模型参数。具体实现如下：

class LogisticRegression:
    def __init__(self, lr=0.01, num_iter=100000, fit_intercept=True, verbose=False):
        self.lr = lr
        self.num_iter = num_iter
        self.fit_intercept = fit_intercept
        self.verbose = verbose
        
    def __add_intercept(self, X):
        intercept = np.ones((X.shape[0], 1))
        return np.concatenate((intercept, X), axis=1)
    
    def __softmax(self, z):
        return np.exp(z) / np.sum(np.exp(z), axis=1, keepdims=True)
    
    def __loss(self, h, y):
        return (-y * np.log(h)).mean()
    
    def fit(self, X, y):
        if self.fit_intercept:
            X = self.__add_intercept(X)
        
        self.theta = np.zeros((X.shape[1], y.shape[1]))
        
        for i in range(self.num_iter):
            z = np.dot(X, self.theta)
            h = self.__softmax(z)
            gradient = np.dot(X.T, (h - y)) / y.shape[0]
            self.theta -= self.lr * gradient
            
            if self.verbose and i % 10000 == 0:
                loss = self.__loss(h, y)
                print(f'Iteration {i}, loss = {loss}')
                
    def predict_proba(self, X):
        if self.fit_intercept:
            X = self.__add_intercept(X)
        
        return self.__softmax(np.dot(X, self.theta))
    
    def predict(self, X):
        return np.argmax(self.predict_proba(X), axis=1)

在上述代码中，我们定义了一个 LogisticRegression 类，包含训练模型、预测概率和预测类别等方法。其中，我们使用了 softmax 函数计算多类别的概率，使用 CrossEntropy Loss 损失函数进行模型训练。在训练过程中，我们采用梯度下降算法更新模型参数。

最后，我们可以使用上述代码对 iris 数据集进行多分类逻辑回归，并计算分类准确率等指标：

lr = LogisticRegression(lr=0.1, num_iter=100000)
lr.fit(X_train, y_train)

y_pred = lr.predict(X_test)
accuracy = np.mean(np.argmax(y_test, axis=1) == y_pred)

print(f'Accuracy: {accuracy}')

完整代码如下：