作为一个培训项目，我被要求编写一个多项式逻辑回归Python程序，在数据集上运行它，并将其与“标准”逻辑回归程序进行比较。
数据集（经过我自己的格式化和编码后）由3175个二进制序列组成，每个序列的长度为240。共有三类，我将其编码为[1,0,0]，[0,1， 0]和[0,0,1]。目标是建立逻辑回归模型，以预测任何给定序列的类别。更具体地说，模型将采用以下形式：
$（e ^ {\ theta \ cdot x} / d，e ^ {\ mu \ cdot x} / d，1 / d）$ 其中$ d = e ^ {\ theta \ cdot x} + e ^ {\ mu \ cdot x} + 1 $ 和$ \ theta，\ mu $是参数向量
我想找到最小化以下成本函数的$ \ theta，\ mu $
$ \ Sum_i -y_i ^ 0 log（p_0（x_i））-y_i ^ 1 log（p_1（x_i））-y_i ^ 2 log（p_2（x_i））$ 其中y_i ^ j是第i个序列是否在类j中的指示符 p_j（x_i）是第i个序列在类j中的概率（根据模型）
我用来比较程序的标准是来自Pytorch。
这是我想到的最简单的方法：
我运行了10,000次代码迭代。大约花了4天18小时。我最终得到的参数值产生了0.367的成本，准确度（使用模型进行分类的可能性最大的时间比例是真实分类）为95.5％。
我认为那可能已经足够了；但是后来我运行了Pytorch逻辑回归程序。在短短几分钟内，它产生的参数值的成本为0.0488，准确度为98.3％。我的主管不满意，希望我写一个更好的程序。
我认为我不能独自写出像Pytorch一样高效的东西。据推测，他只是希望我将性能差异的数量级从4+降低到更受人尊敬的水平（也许是2？）。但是我不确定该怎么做。请给我一些建议吗？
谢谢