逻辑回归

h(x)>=0.5, 即>=0时， 预测y=1

h(x)<0.5, 即<0时，  预测y=0

则将预测问题转化为对的求解问题——用梯度下降算法：

梯度下降算法求代码如下：

ef sigmoid(z):
    return 1.0/(1+exp(-z))
    

def gradDescent(returnMat, labelVec, iterations=150):
    m=len(returnMat)
    n=len(returnMat[0])
    theta=ones(n)
    for j in iterations:
        randomIndex=range(m)   
        for i in range(m):
            alpha=4/(1.0+i+j)+0.01     %alpha每次减少1/(j+i)，这样当j《max(i)时，alpha就不是严格下降的   
            index=int(random.uniform(0, len(randomIndex)))             %这里通过随机选取样本来更新回归系数，这种方法将减少周期性的波动。
            h=sigmoid(sum(theta*returnMat[index]))
            theta=theta-alpha*(h-labelVec[index])*returnMat[index]
            del(randomIndex[index])
    return theta