python实现逻辑回归（包含逻辑回归函数）

好的，以下是Python实现逻辑回归的示例代码：

首先，导入需要的库：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification

接下来，生成一个二分类数据集：

X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0, n_clusters_per_class=1, random_state=42)

我们可以使用 matplotlib 库来可视化数据集：

plt.scatter(X[:,0], X[:,1], c=y)
plt.show()

现在，我们定义逻辑回归函数：

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

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 __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)
        
        self.theta = np.zeros(X.shape[1])
        
        for i in range(self.num_iter):
            z = np.dot(X, self.theta)
            h = sigmoid(z)
            gradient = np.dot(X.T, (h - y)) / y.size
            self.theta -= self.lr * gradient
            
            if(self.verbose == True and i % 10000 == 0):
                z = np.dot(X, self.theta)
                h = sigmoid(z)
                print(f'loss: {self.__loss(h, y)} \t')
            
    def predict_prob(self, X):
        if self.fit_intercept:
            X = self.__add_intercept(X)

        return sigmoid(np.dot(X, self.theta))
    
    def predict(self, X, threshold):
        return self.predict_prob(X) >= threshold

然后，我们使用数据集来训练模型：

model = LogisticRegression(lr=0.1, num_iter=300000)
model.fit(X, y)

最后，我们可以使用模型来进行预测：

print(model.predict_prob(np.array([[1, 2]])))
print(model.predict(X, 0.5))

希望这个示例代码可以帮助你理解逻辑回归的实现过程。