Gradient Descent & Logistic Regression

梯度下降在逻辑回归中的应用

目标：构建分类模型，确定三个关键参数：
\theta_0 \theta_1 \theta_2

设定判断标准，依据该标准判定是否录取。
需实现的功能模块包括：

• sigmoid : 将输出映射为概率值的函数
• model : 用于生成预测结果的模型
• cost : 基于当前参数计算损失值
• gradient : 对各个参数求取梯度方向
• descent : 执行参数的迭代更新操作
• accuracy: 对模型预测结果进行准确率评估

一 : sigmoid函数

公式：
g(z) = \frac{1}{1+e^{-z}} 用于表示一种常见的激活函数形式，其计算方式为将输入变量 z 代入该表达式中进行运算。

    def sigmoid(z):
    	return 1 / (1 + np.exp(-z))
    
    
      
      
    

二 : model函数

公式:
$\begin{array}{ccc} \begin{pmatrix}\theta_{0} & \theta_{1} & \theta_{2}\end{pmatrix} & \times & \begin{pmatr