由随机梯度上升算法，实现小批量梯度上升算法，python

小批量梯度上升算法是梯度上升算法的一种变形，它每次使用一小部分样本来计算梯度，从而减少了计算量，同时还能够降低模型的方差。下面是用 Python 实现小批量梯度上升算法的代码：

import numpy as np

def sigmoid(z):
    return 1.0 / (1 + np.exp(-z))

def gradient_ascent(X, y, alpha=0.001, max_iter=5000, batch_size=32):
    n_samples, n_features = np.shape(X)
    weights = np.random.rand(n_features)
    for i in range(max_iter):
        # 随机抽取一小部分样本
        batch_index = np.random.choice(n_samples, batch_size)
        X_batch = X[batch_index]
        y_batch = y[batch_index]
        # 计算梯度
        error = y_batch - sigmoid(np.dot(X_batch, weights))
        gradient = np.dot(X_batch.T, error) / batch_size
        # 更新权重
        weights += alpha * gradient
    return weights

其中，`X` 是输入数据矩阵，`y` 是对应的标签向量，`alpha` 是学习率，`max_iter` 是最大迭代次数，`batch_size` 是每次随机抽取的样本数。函数返回训练好的权重向量。