二元逻辑回归手写实现和调库实现包含准确率

好的，我来回答你的问题。

对于二元逻辑回归的手写实现，我们需要先定义损失函数和优化方法，然后使用梯度下降算法来更新模型参数。具体步骤如下：

1. 定义sigmoid函数，用于将预测值转化为概率值。

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

2. 定义损失函数，使用交叉熵损失函数。

def cross_entropy_loss(y_pred, y_true):
    n_samples = len(y_true)
    loss = -1/n_samples * (np.dot(y_true, np.log(y_pred)) + np.dot((1-y_true), np.log(1-y_pred)))
    return loss

3. 定义优化方法，使用梯度下降算法。

def gradient_descent(X, y_true, y_pred, learning_rate):
    n_samples, n_features = X.shape
    dw = 1/n_samples * np.dot(X.T, (y_pred - y_true))
    db = 1/n_samples * np.sum(y_pred - y_true)
    w = w - learning_rate * dw
    b = b - learning_rate * db
    return w, b

4. 定义模型训练函数，迭代更新模型参数。

def train(X, y_true, n_iters, learning_rate):
    n_samples, n_features = X.shape
    w = np.zeros(n_features)
    b = 0
    
    for i in range(n_iters):
        y_pred = sigmoid(np.dot(X, w) + b)
        loss = cross_entropy_loss(y_pred, y_true)
        
        if i % 100 == 0:
            print(f'Iter: {i}, Loss: {loss}')
            
        w, b = gradient_descent(X, y_true, y_pred, learning_rate)
        
    return w, b

5. 使用训练好的模型进行预测，并计算准确率。

def predict(X, w, b):
    y_pred = sigmoid(np.dot(X, w) + b)
    y_pred_cls = [1 if i > 0.5 else 0 for i in y_pred]
    return y_pred_cls

def accuracy(y_pred, y_true):
    accuracy = np.sum(y_pred == y_true) / len(y_true)
    return accuracy

对于使用库函数实现的二元逻辑回归，我们可以使用sklearn库中的LogisticRegression模型。具体步骤如下：

1. 导入模型库，调用LogisticRegression类。

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()

2. 使用fit函数对模型进行训练。

model.fit(X_train, y_train)

3. 使用predict函数对模型进行预测，并计算准确率。

y_pred = model.predict(X_test)
accuracy = model.score(X_test, y_test)

这样，我们就可以通过手写实现和调用库函数来实现二元逻辑回归，并计算准确率。