24

    X = 添加截距项(X)  # 在X前添加一列全为1的列向量  

 

  

 

    # 梯度下降优化  

 

    对于 i 从 1 到 num_iterations:  

 

        p = sigmoid(X * β)  # 计算预测概率  

 

        g = (1/m) * X' * (p - y)  # 计算梯度  

 

        β = β - α * g  # 更新β  

 

          

 

        # 检查收敛条件  

 

        if 梯度的模(g) < ε:  

 

            break  # 如果梯度足够小，则提前停止迭代  

 

  

 

    # 返回结果  

 

    返回 β  

 

  

 

# 辅助函数：sigmoid  

 

函数 sigmoid(z):  

 

    返回 1 / (1 + exp(-z))