请用python写一个基于最小分类误差的梯度下降法并对每行代码注释

下面是一个基于最小分类误差的梯度下降法的Python代码，每行代码都有相应的注释说明：

import numpy as np

# 定义函数sigmoid，用于计算sigmoid函数值
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义函数grad_cost，用于计算分类误差的梯度
def grad_cost(X, y, theta):
    # 计算预测值
    y_pred = sigmoid(np.dot(X, theta))
    # 计算分类误差的梯度
    grad = np.dot(X.T, y_pred - y) / len(y)
    return grad

# 定义函数fit，用于训练模型
def fit(X, y, max_iter=1000, alpha=0.01):
    # 在X中添加一列1，用于计算截距
    X = np.hstack((np.ones((len(X), 1)), X))
    # 初始化模型参数theta
    theta = np.zeros(X.shape[1])
    # 迭代训练模型
    for i in range(max_iter):
        # 计算梯度
        grad = grad_cost(X, y, theta)
        # 更新参数theta
        theta = theta - alpha * grad
    return theta

# 定义函数predict，用于预测新样本的类别
def predict(X, theta):
    # 在X中添加一列1，用于计算截距
    X = np.hstack((np.ones((len(X), 1)), X))
    # 计算预测值
    y_pred = sigmoid(np.dot(X, theta))
    # 将预测值转换为类别（0或1）
    y_pred_class = np.where(y_pred >= 0.5, 1, 0)
    return y_pred_class

注：该代码实现的是逻辑回归模型，用于解决二分类问题。其中，`X`是一个$m\times n$的矩阵，表示$m$个样本的$n$个特征；`y`是一个$m$维向量，表示$m$个样本的类别。`max_iter`表示最大迭代次数，`alpha`表示学习率。