用NumPy进行逻辑计算

使用NumPy实现逻辑回归涉及多个步骤，包括数据准备、模型定义、损失函数计算、梯度下降优化以及预测。以下是一个简单的实现示例： ```python import numpy as np class LogisticRegression: def __init__(self, learning_rate=0.01, n_iterations=1000): self.learning_rate = learning_rate self.n_iterations = n_iterations self.weights = None self.bias = None def _sigmoid(self, z): return 1 / (1 + np.exp(-z)) def fit(self, X, y): n_samples, n_features = X.shape # 初始化权重和偏置 self.weights = np.zeros(n_features) self.bias = 0 # 梯度下降 for _ in range(self.n_iterations): # 计算线性模型输出 linear_model = np.dot(X, self.weights) + self.bias # 应用sigmoid函数 y_pred = self._sigmoid(linear_model) # 计算梯度 dw = (1 / n_samples) * np.dot(X.T, (y_pred - y)) db = (1 / n_samples) * np.sum(y_pred - y) # 更新参数 self.weights -= self.learning_rate * dw self.bias -= self.learning_rate * db def predict(self, X): linear_model = np.dot(X, self.weights) + self.bias y_pred = self._sigmoid(linear_model) y_pred_class = [1 if i > 0.5 else 0 for i in y_pred] return np.array(y_pred_class) # 示例用法 if __name__ == "__main__": # 示例数据 X = np.array([[1, 2], [2, 3], [3, 4], [4, 5]]) y = np.array([0, 0, 1, 1]) # 创建并训练模型 model = LogisticRegression(learning_rate=0.01, n_iterations=1000) model.fit(X, y) # 预测 predictions = model.predict(X) print("Predictions:", predictions) ``` 在这个实现中，我们定义了一个`LogisticRegression`类，它包括以下方法： - `__init__`: 初始化学习率和迭代次数。 - `_sigmoid`: 计算sigmoid函数，用于将线性模型的输出映射到概率。 - `fit`: 使用梯度下降法训练模型。 - `predict`: 对新数据进行预测。 这个实现展示了如何使用NumPy实现逻辑回归的基本步骤，包括参数初始化和更新。你可以根据需要调整学习率和迭代次数，以优化模型的性能。