matlab逻辑回归代码

以下是一个简单的 MATLAB 逻辑回归代码示例：

% 加载数据
data = load(‘data.txt’);
X = data(:, 1:2);
y = data(:, 3);

% 初始化参数
[m, n] = size(X);
X = [ones(m, 1) X];
initial_theta = zeros(n + 1, 1);

% 定义代价函数和梯度函数
function [J, grad] = costFunction(theta, X, y)
m = length(y);
J = 0;
grad = zeros(size(theta));
h = sigmoid(X * theta);
J = (-1 / m) * sum(y .* log(h) + (1 - y) .* log(1 - h));
grad = (1 / m) * X’ * (h - y);
end

% 计算代价函数和梯度
[cost, grad] = costFunction(initial_theta, X, y);

% 使用 fminunc 函数进行优化
options = optimset('GradObj’, 'on’, 'MaxIter’, 400);
[theta, cost] = fminunc(@(t)(costFunction(t, X, y)), initial_theta, options);

% 绘制决策边界
plotDecisionBoundary(theta, X, y);

% 预测新数据
prob = sigmoid([1 45 85] * theta);
fprintf('For a student with scores 45 and 85, we predict an admission probability of %f\n’, prob);

这个代码示例中，首先加载了一个名为"data.txt"的数据文件，其中包含了两个特征和一个二元分类标签。然后，将特征矩阵X和标签向量y分别存储在变量X和y中，并在特征矩阵X的第一列添加了一个全为1的列向量，以便进行矩阵运算。

接下来，定义了一个名为"costFunction"的函数，用于计算逻辑回归的代价函数和梯度。在该函数中，首先计算了假设函数h，然后使用该函数计算代价函数J和梯度grad。

然后，使用初始参数initial_theta调用costFunction函数，计算出初始代价和梯度。接着，使用MATLAB内置的"fminunc"函数进行优化，以最小化代价函数。在这里，使用了一个名为"options"的结构体，用于设置优化选项，例如最大迭代次数和梯度计算方法。最后，使用训练得到的参数theta绘制决策边界，并使用sigmoid函数预测新数据的分类概率。

需要注意的是，这只是一个简单的逻辑回归代码示例，实际应用中可能需要进行更多的数据预处理、特征工程和模型调优等步骤。