Machine learning 逻辑回归曲线未以我的数据为中心

我正在做一个关于二元分类的逻辑回归的学校项目，结果非常糟糕（准确率约为50%）。我必须从头开始做这个分类，所以我担心我的实现有问题

我用一个预测值拟合了一个模型，并绘制了结果的逻辑曲线，注意到它的中心是0，超出了我的数据范围（预测值范围为50-90）。因此，只有logistic曲线的渐近线在我的数据范围内，因此将所有示例分类为同一类

我认为使用截距权重可以解决这个问题，但在我的例子中，它没有。我还考虑过规范化我的数据并将其集中在0左右，但我希望有一种更直接的方法

有什么建议吗

编辑-这是我的实现

class LogisticRegression:                                                    

def __init__(self, alpha, iters, intercept=True):                        
    self.alpha = alpha                                                   
    self.iters = iters                                                   
    self.weights = None                                                  
    self.intercept = intercept                                           

def sigmoid(self, z):                                                    
    return 1.0 / (1 + np.exp(-z))                                        

def add_intercept(self, X):                                              
    intercept = np.ones((X.shape[0], 1))                                 
    return np.concatenate((intercept, X), axis=1)                        

def cost(self, h, y):                                                    
    return (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()             

def fit(self, X, y):                                                     

    if self.intercept:                                                   
        X = self.add_intercept(X)                                        

    self.weights = np.zeros(X.shape[1])                                  

    for i in range(self.iters):                                          
        z = np.dot(X, self.weights)                                      
        h = self.sigmoid(z)                                              
        gradient = np.dot(X.T, (h - y)) / len(y)                         
        self.weights -= self.alpha * gradient                            

编辑-链接到数据：

目标是一个人是否打篮球，我在单一回归中使用的特征是身高

---

我现在想，无论如何我都必须规范化我的数据，因为在多元回归的情况下，我的np.exp（）有些溢出。

当我绘制身高与篮球的散点图时，数据似乎不在任何类型的S形或逻辑曲线上。基于这个数据集，我认为仅仅身高不足以对篮球做出预测

---

我担心我的实现有问题。

可能，但我们无法判断，因为您没有向我们展示实现。@dyukha刚刚添加了代码。请发布（或链接）数据好吗？@JamesPhillips当然，添加了链接您的算法看起来不错，我建议几件事。1.规范化您的数据（您已经考虑过）2。使用批量梯度下降，这将减少溢出3的机会。尝试小学习率4。数据的散点图是否有相关性，或者它们是完全随机的