本文例項為大家分享了python實現梯度下降和邏輯迴歸的具體程式碼，供大家參考，具體內容如下

import numpy as np
import pandas as pd
import os
 
data = pd.read_csv("iris.csv") # 這裡的iris資料已做過處理
m,n = data.shape
dataMatIn = np.ones((m,n))
dataMatIn[:,:-1] = data.ix[:,:-1]
classLabels = data.ix[:,-1]
 
# sigmoid函式和初始化資料
def sigmoid(z):
 return 1 / (1 + np.exp(-z))
 
# 隨機梯度下降
def Stocgrad_descent(dataMatIn,classLabels):
 dataMatrix = np.mat(dataMatIn) # 訓練集
 labelMat = np.mat(classLabels).transpose() # y值
 m,n = np.shape(dataMatrix) # m:dataMatrix的行數,n:dataMatrix的列數
 weights = np.ones((n,1)) # 初始化迴歸係數（n,1)
 alpha = 0.001 # 步長
 maxCycle = 500 # 最大迴圈次數
 epsilon = 0.001
 error = np.zeros((n,1))
 for i in range(maxCycle):
  for j in range(m):
   h = sigmoid(dataMatrix * weights) # sigmoid 函式
   weights = weights + alpha * dataMatrix.transpose() * (labelMat - h) # 梯度
  if np.linalg.norm(weights - error) < epsilon:
   break
  else:
   error = weights
  return weights
 
# 邏輯迴歸
def pred_result(dataMatIn):
 dataMatrix = np.mat(dataMatIn)
 r = Stocgrad_descent(dataMatIn,classLabels)
 p = sigmoid(dataMatrix * r) # 根據模型預測的概率
 
 # 預測結果二值化
 pred = []
 for i in range(len(data)):
  if p[i] > 0.5:
   pred.append(1)
  else:
   pred.append(0)
 data["pred"] = pred
 os.remove("data_and_pred.csv") # 刪除List_lost_customers資料集 # 第一次執行此程式碼時此步驟不要
 data.to_csv("data_and_pred.csv",index=False,encoding="utf_8_sig") # 資料集儲存
pred_result(dataMatIn)

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。