用python代码实现小批量梯度上升算法

好的，以下是用Python实现小批量梯度上升算法的示例代码：

import numpy as np

# 定义 sigmoid 函数
def sigmoid(x):
    return 1.0 / (1 + np.exp(-x))

# 定义小批量梯度上升算法
def batch_gradient_ascent(data, labels, batch_size=20, alpha=0.001, max_iter=5000):
    data_matrix = np.mat(data)
    label_matrix = np.mat(labels).transpose()
    m, n = np.shape(data_matrix)
    # 初始化权重向量
    weights = np.ones((n, 1))
    # 迭代更新权重
    for i in range(max_iter):
        # 随机选择一个样本
        batch_index = np.random.choice(m, batch_size)
        batch_data = data_matrix[batch_index]
        batch_label = label_matrix[batch_index]
        # 计算梯度
        h = sigmoid(batch_data * weights)
        error = batch_label - h
        weights = weights + alpha * batch_data.transpose() * error
    return weights

其中 `data` 是训练数据，`labels` 是标签，`batch_size` 是批量大小，`alpha` 是学习率，`max_iter` 是最大迭代次数。函数返回的是训练后的权重向量。