Python3.7实现Logistic逻辑回归（梯度上升）

import numpy as np
import matplotlib.pyplot as plt

def loadData():                                                    #打开读入数据
    dataMat = []                                                   #样本数据列表
    labelMat = []                                                  #标签列表
    fr = open('1.txt')                                             #打开文件
    for line in fr.readlines():                                    #逐行读取
        lineArr = line.strip().split()                             #去掉回车（换行）
        dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])   #添加
        labelMat.append(int(lineArr[2]))
    fr.close()                                                     #关闭文件
    return dataMat,labelMat                                        #返回


def sigmoid(a):                              #sigmoid函数
    return 1.0 / (1 + np.exp(-a))

        
def gradRise(dataMat1,labelMat1):              #梯度上升函数
    dataMat_np = np.mat(dataMat1)             #转换为np矩阵
    labelMat_np = np.mat(labelMat1).transpose()         #同上
    m,n = np.shape(dataMat_np)               #返回行数列数
    alpha = 0.001                            #学习步长
    Maxiteration = 500                       #最大迭代次数
    w = np.ones((n,1))                          #系数（及权重）
    #print(labelMat_np.shape)
    for k in range(Maxiteration):            #梯度上升函数矢量化
        h = sigmoid(dataMat_np * w)
        error = labelMat_np - h                 #误差
        w = w + alpha * dataMat_np.transpose() * error  
    return w.getA()                          #矩阵转数组


def show(w):                                     #绘图
    dataMat,labelMat = loadData()
    dataArr = np.array(dataMat)
    n = np.shape(dataMat)[0]
    x_positive = []                              #正样本
    y_positive = []
    x_negative = []                              #负样本
    y_negative = []
    for i in range(n):                           #分类
        if int(labelMat[i]) == 1:
            x_positive.append(dataArr[i,1])
            y_positive.append(dataArr[i,2])
        else:
            x_negative.append(dataArr[i,1])
            y_negative.append(dataArr[i,2])
    fig = plt.figure()                          #创建空白画布
    ax = fig.add_subplot(111)                   #创建并选中子图
    ax.scatter(x_positive,y_positive,s = 20,c = 'red',marker = 's',alpha = 0.5)       #散点图
    ax.scatter(x_negative,y_negative,s = 20,c = 'black',alpha = 0.5)
    x = np.arange(-3.0,3.0,0.1)
    #print(w.shape)
    #print(x.shape)
    y = (-w[0] - w[1]*x) / w[2]                  #决策边界由0 = w0x0 + w1x1 + w2x2 推导出
    ax.plot(x,y)
    plt.title("Best")
    plt.xlabel('X1')
    plt.ylabel('X2')


    plt.show()




if __name__ == "__main__":
    dataMat,labelMat = loadData()
    w = gradRise(dataMat,labelMat)
    show(w)

欢迎大家交流☺☺

参考资料：
《机器学习实战》