我在 youtube 上参加 Andrew Ng 机器学习课程 Lecture 6.4 他说如果我们使用线性回归损失函数（最小二乘）进行逻辑回归，成本函数会是什么样子

我想自己看看这样的图表，所以我尝试用最小二乘损失绘制成本函数 J，以用于逻辑回归任务。

这是我的代码

import matplotlib.pyplot as plt
import numpy as np
import math


x = np.random.rand(10000)
# x = np.array([0.1, 0.2, 0.7, 0.4])
y = np.round(np.random.rand(10000))
b = 1

J_list = []
w_list = []
for w in np.arange(-500.5, 500.5, 0.05):
    J = (1/10000)*np.sum((1/2)*np.square(((1/(1 + np.exp(-1*(w*x + b)))) - y)))
    J_list.append(J)
    w_list.append(w)

df = pd.DataFrame()
df['w'] = w_list
df['J'] = J_list

import seaborn as sns
sns.lineplot(x='w', y='J', data=df)

线图的输出是

注意：我的代码中的 w 在 Andrew Ng 的讲座中的 theta 中

如果有人可以帮助我发现我的错误，将不胜感激。