逻辑回归的回归系数计算代码

逻辑回归的回归系数计算可以使用梯度下降法或最小二乘法等方法。下面是使用梯度下降法计算回归系数的代码示例：

import numpy as np

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

def logistic_regression(X, y, alpha, max_iter):
    # X为训练数据，y为标签，alpha为学习率，max_iter为迭代次数
    m, n = X.shape
    theta = np.zeros((n, 1))
    for i in range(max_iter):
        h = sigmoid(np.dot(X, theta))
        error = h - y.reshape(-1, 1)
        grad = np.dot(X.T, error) / m
        theta -= alpha * grad
    return theta

# 示例：使用逻辑回归进行二分类
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5]])
y = np.array([0, 0, 1, 1])
theta = logistic_regression(X, y, alpha=0.01, max_iter=1000)
print(theta)

其中，sigmoid函数用于计算预测值，logistic_regression函数用于训练模型并返回回归系数，示例中使用了梯度下降法进行训练。