logistic回归的matlab实现代码

以下是一个简单的 Logistic 回归的 MATLAB 实现代码，其中假设数据集已经预处理并且存储在 `X` 和 `y` 变量中：

m = size(X, 1); % 训练样本数
n = size(X, 2); % 特征数

% 初始化参数为0，注意theta是列向量
theta = zeros(n + 1, 1);

% 添加一列常数1到数据集中
X = [ones(m, 1) X];

% 定义 sigmoid 函数
sigmoid = @(z) 1 ./ (1 + exp(-z));

% 定义代价函数，注意不需要正则化
J = @(theta) (-1 / m) * sum(y .* log(sigmoid(X * theta)) + (1 - y) .* log(1 - sigmoid(X * theta)));

% 定义梯度函数，注意不需要正则化
grad = @(theta) (1 / m) * X' * (sigmoid(X * theta) - y);

% 使用 fminunc 函数求解最优参数
options = optimset('GradObj', 'on', 'MaxIter', 400);
[theta, cost] = fminunc(J, theta, options);

说明：

- `m` 和 `n` 分别表示训练样本数和特征数；
- `theta` 是参数向量，包括 `n+1` 个元素，其中第一个元素是常数项；
- `X` 是增广数据集，即在原数据集的基础上添加了一列常数1，方便计算；
- `sigmoid` 函数是逻辑函数；
- `J` 函数是代价函数的定义，其中 `y` 是标签向量；
- `grad` 函数是梯度函数的定义；
- `options` 是 `fminunc` 函数的选项，其中 `GradObj` 表示使用梯度函数计算代价函数的梯度，`MaxIter` 表示最大迭代次数；
- `fminunc` 函数是 MATLAB 中的一个优化函数，用于求解无约束非线性优化问题，其中第一个参数是代价函数，第二个参数是待求解的参数向量，第三个参数是选项。

希望能对你有所帮助！