python实现小批量梯度上升算法

小批量梯度上升是一种常用的优化算法，下面是 Python 实现小批量梯度上升算法的代码：

import numpy as np

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

def batch_gradient_ascent(X, y, alpha=0.001, epochs=500, batch_size=20):
    m, n = X.shape
    weights = np.ones((n, 1))
    for epoch in range(epochs):
        for i in range(0, m, batch_size):
            X_batch = X[i:i+batch_size]
            y_batch = y[i:i+batch_size]
            z = np.dot(X_batch, weights)
            h = sigmoid(z)
            error = y_batch - h
            gradient = np.dot(X_batch.T, error) / batch_size
            weights = weights + alpha * gradient
    return weights

其中，`X` 表示特征矩阵，`y` 表示标签矩阵，`alpha` 表示学习率，`epochs` 表示迭代次数，`batch_size` 表示每次迭代的样本数。在每次迭代中，将样本分成若干批，计算每一批样本的梯度并更新权重。最后返回权重矩阵。