用python写一个线性的分类模型

下面是一个基于梯度下降的线性分类模型的Python代码示例：

import numpy as np

class LinearClassifier:
    def __init__(self, lr=0.01, max_iter=1000, tol=1e-4):
        self.lr = lr  # learning rate
        self.max_iter = max_iter  # maximum number of iterations
        self.tol = tol  # tolerance for convergence
        
    def fit(self, X, y):
        # initialize weights and bias
        self.w = np.zeros(X.shape[1])
        self.b = 0
        
        # gradient descent
        for i in range(self.max_iter):
            z = np.dot(X, self.w) + self.b
            y_pred = np.where(z > 0, 1, -1)
            error = y - y_pred
            grad_w = -np.dot(X.T, error)
            grad_b = -np.sum(error)
            self.w -= self.lr * grad_w
            self.b -= self.lr * grad_b
            
            # check for convergence
            if np.abs(grad_w).max() < self.tol:
                break
                
    def predict(self, X):
        z = np.dot(X, self.w) + self.b
        return np.where(z > 0, 1, -1)

该模型基于感知器算法，使用梯度下降来最小化目标函数。其中，$X$是训练数据的特征矩阵，$y$是训练数据的标签，$w$和$b$是模型的权重和偏置项，$lr$是学习率，$max\_iter$是最大迭代次数，$tol$是收敛的容差。模型的训练过程中，通过计算预测值和真实值之间的误差来更新权重和偏置项，直到收敛或达到最大迭代次数为止。模型的预测过程中，计算特征和权重的内积加上偏置项，将结果大于0的样本预测为正类，结果小于0的样本预测为负类。