《机器学习实战》源码解析（四）：逻辑回归

本系列以书中源码为主，稍作修改并添加注释，均实际运行可行。为免后来者踩坑，特此公开！欢迎打赏！
转载请注明出处！

from numpy import *
import matplotlib.pyplot as plt

#logistic回归梯度上升优化算法
def loadDataSet():#收集并整理数据
    dataMat = []; labelMat = []
    fr =  open(r'选择你自己的数据集存储路径\testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()
        dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat#返回数据集与标签列表

def sigmoid(inX):#定义sigmoid函数
    return 1.0/(1+exp(-inX))

def gradAscent(dataMatIn,classLabels):#定义梯度上升优化算法。问题：计算量大
    dataMatrix = mat(dataMatIn)#转换为Numpy矩阵数据类型
    labelMat = mat(classLabels).transpose()#转换为Numpy矩阵数据类型，将行向量转换为列向量便于计算
    m,n = shape(dataMatrix)#获取数据的行和列
    alpha = 0.001#定义步长
    maxCycles = 500#迭代的次数
    weights = ones((n,1))