在 Python 中实现逻辑回归算法（Logistic Regression）可以使用纯 Python 编写，也可以利用 sklearn 等机器学习库。下面我会展示一个简单的手写实现和使用 sklearn 库的实现。

1. 手写实现逻辑回归算法

我们可以从零开始实现逻辑回归。逻辑回归是通过最大化似然函数来进行参数优化，通常使用梯度下降来寻找最佳参数。

import numpy as np

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

# 计算损失函数（对数损失）
def compute_cost(X, y, theta):
    m = len(y)
    h = sigmoid(np.dot(X, theta))  # 预测值
    cost = -(1/m) * (np.dot(y.T, np.log(h)) + np.dot((1 - y).T, np.log(1 - h)))
    return cost

# 梯度下降
def gradient_descent(X, y, theta, learning_rate, iterations):
    m = len(y)
    cost_history = []

    for i in range(iterations):
        gradient = (1/m) * np.dot(X.T, (sigmoid(np.dot(X, theta)) - y))
        theta -= learning_rate * gradient  # 更新theta
        cost_history.append(compute_cost(X, y, theta))  # 记录每次迭代的损失

    return theta, cost_history

# 逻辑回归训练函数
def logistic_regression(X, y, learning_rate=0.01, iterations=1000):
    m, n = X.shape
    X = np.c_[np.ones(m), X]  # 添加偏置项（X的第一列为1）
    theta = np.zeros(n + 1)  # 初始化theta

    theta, cost_history = gradient_descent(X, y, theta, learning_rate, iterations)
    return theta, cost_history

# 预测函数
def predict(X, theta):
    X = np.c_[np.ones(X.shape[0]), X]  # 添加偏置项
    probabilities = sigmoid(np.dot(X, theta))
    predictions = [1 if prob >= 0.5 else 0 for prob in probabilities]
    return np.array(predictions)

2. 使用 sklearn 库实现逻辑回归

如果你希望使用现成的库来实现逻辑回归，可以用 sklearn 的 LogisticRegression 类来完成。sklearn 提供了优化好的算法，且接口简洁易用。

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 生成一个二分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 切分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用sklearn的LogisticRegression
model = LogisticRegression(max_iter=1000)  # 设置最大迭代次数
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy * 100:.2f}%")

解释

1. 手写实现：

   • 使用了梯度下降来优化逻辑回归的参数。
   • sigmoid 函数将线性回归的输出映射到 [0, 1] 区间，表示为概率值。
   • compute_cost 计算的是对数损失（log loss），这是逻辑回归常用的损失函数。
   • gradient_descent 通过梯度下降法不断调整参数来最小化损失函数。

2. 使用 sklearn 实现：

   • 通过 LogisticRegression 类提供的接口，直接完成了模型的训练、预测和评估，极大简化了代码。

你可以根据自己的需求选择手写实现或使用 sklearn 的实现。如果你有其他问题或者想了解更多细节，可以随时告诉我！