Java 为实施logistic回归模型征求意见和帮助

我试图在Scala中实现一个简单的逻辑回归模型。也就是说，相依二元变量只有一个自变量。 如果我们看看维基百科的例子：（在“通过考试的概率与学习时间”一节下），并尝试用我当前的代码得到相同的系数θ0和θ1，我们就接近了

当方法gradientDescent中的if语句被注释掉时，θ0=-4.360295851109452，θ1=1.5166246438642796，最大迭代次数。 这与wikipedia的示例非常接近，其中θ=−4.0777和θ1=1.5046

如果If语句没有注释掉，则θ0=0.0和θ1=0.0，只有一个Itation表示返回立即发生。 我不知道这是为什么。虽然我甚至不确定我离一个工作模型还有多远

总的来说，我试图实现这里展示的内容： 据我所知：如果我们通过梯度下降获得最佳θ，那么我们可以将S曲线拟合到原始数据点

导入scala.collection.mutable.Buffer
导入scala.collection.mutable.ArrayBuffer
导入scala.math.exp
导入scala.math.abs
对象测试扩展了应用程序{
val logistic=新逻辑回归计算器
val yData=数组（0,0,0,0,0,0,1,0,1,0,0,1,0,1,0,1,1,1,1,1）.map（z=>z.toDouble）
val xData=Array.tablate（20）（{a=>0.5+a*0.25}）
val thetas=逻辑派生数据（yData，扩展数据）
println（θ）
}
类逻辑回归计算器{
//学习率
私人varα=0.01
//容忍度
私有变量ε=10E-10
//迭代次数
私有变量maxIterations=1000000
def changeAlpha（newAlpha:Double）=this.alpha=newAlpha
def changeEpsilon（newEpsilon:Double）=this.epsilon=newEpsilon
def changeMaxIterations（newMaxIter:Int）=this.maxIterations=newMaxIter
def giveAlpha:Double=this.alpha
def giveEpsilon:Double=this.epsilon
def giveMaxIterations:Int=this.maxIterations
/*
*此函数适用于y值只有一个自变量的简单情况
*要么是零，要么是一。
*假设左
*/
def deriveThetas（yData:Array[Double]，扩展数据：Array[Double]）：Buffer[Double]={
需要（yData.size==xData.size）
//下面的轨迹将用于测试，以查看获得的值是否有意义
//val traceTheta0=Array.ofDim[Double]（this.maxIterations）
//val traceetheta1=Array.ofDim[Double]（this.maxIterations）
varθ0=0.0
var=θ0
varθ1=0.0
var=θ1
val dataSize=yData.size
变量计数器=0
//logistic回归的sigmoid函数形式的假设函数
定义假设（z:Double）=1.0/（1.0+exp（-z））
def deriveTheta0:Double={
var总和=0.0
这可能会更好，更适合这个可能会更好，更适合