首先明白一个概念，什么是逻辑回归；所谓回归就是拟合，说明x是连续的；逻辑呢？就是True和False，也就是二分类；逻辑回归即使就是指对于二分类数据的拟合（划分）。
那么什么是模型呢？模型其实就是函数。函数是由三部分组成：自变量，因变量以及参数。
此次采用模型是sigmoid函数：
sigmoid函数的精妙之处就在于在x=0点出是一个分水岭，x>0y值去1，x<0 y值取0。所以sigmoid函数很像是跃阶函数。
z代表什么？则代表分类的数学表达式，是函数的右侧；
那么怎么使用sigmoid阶函数？sigmoid函数目标情况是当传入z，返回值是1或者0；但是实际情况因为参数（w0，w1..wn）都是估计状态，基本都是不为0，1；通过样本分类（0，或者1）和sigmoid值相减，获取一个差量，下面就是调整参数（weight），让数据不断合理；
from numpy import mat from numpy import shape from numpy import ones def gradientAsendent(dataset, labels, time): dataMat=mat(dataset) labelMat=mat(labels).transpose() m,n=shape(dataMat) weights=ones((n,1)) #这个写法（两层括号）是创建一个矩阵 alpha=0.001 #学习率rate maxtimes=time for i in range(maxtimes): #sigmod函数解决的分类问题，dataMat*weights返回的是一个矩阵，行数=datamat，列数=weights h=sigmod(dataMat*weights) # 合心意应该error=0，h应该是0,1的数组；但是sigmod返回的分类一定不是正好0,1，而是有差距的 # 目标就是通过调整系数（weights）来减少减少error的和0的差距，也是让h里面的数据不断的接近0,1 error=(labelMat - h) # 如果有偏差了，就添加/减小参数值 weights=weights+alpha*dataMat.transpose()*error
return weights
原文：https://www.cnblogs.com/xiashiwendao/p/10390619.html