在逻辑回归模型中，数据点的权重可以通过设置样本权重来实现。下面是一个从头开始实现逻辑回归的示例代码，包括设置不同数据点的权重。

import numpy as np
from scipy.optimize import minimize

# 定义逻辑回归函数
def logistic_regression(weights, X, y):
    z = np.dot(X, weights)
    predictions = 1 / (1 + np.exp(-z))
    loss = -np.mean(y * np.log(predictions) + (1-y) * np.log(1-predictions))
    return loss

# 定义逻辑回归梯度函数
def logistic_regression_gradient(weights, X, y):
    z = np.dot(X, weights)
    predictions = 1 / (1 + np.exp(-z))
    gradient = np.dot(X.T, (predictions - y)) / len(y)
    return gradient

# 定义优化器函数
def optimize_weights(X, y, initial_weights):
    result = minimize(logistic_regression, initial_weights, args=(X, y), method='BFGS', jac=logistic_regression_gradient)
    return result.x

# 生成示例数据
np.random.seed(0)
X = np.random.randn(100, 2)
y = np.random.randint(0, 2, 100)

# 设置不同数据点的权重
weights = np.ones(len(y))  # 默认权重为1
weights[y == 1] = 2  # 将类别为1的数据点权重设置为2

# 优化权重
initial_weights = np.zeros(X.shape[1])
optimized_weights = optimize_weights(X, y, initial_weights)

print("优化后的权重:", optimized_weights)

在上述代码中，我们通过weights数组设置了不同数据点的权重。默认情况下，所有数据点的权重都为1，然后我们将类别为1的数据点的权重设置为2。通过将带有不同权重的样本传递给优化器函数optimize_weights，可以得到相应的优化后的权重。在这个例子中，我们使用了BFGS方法进行优化，也可以根据具体情况选择其他优化方法。