1 逻辑回归的定位
首先，逻辑回归是一种分类（Classification）算法。比如说：
- 给定一封邮件，判断是不是垃圾邮件
- 给出一个交易明细数据，判断这个交易是否是欺诈交易
- 给出一个肿瘤检查的结果数据，判断这个肿瘤是否为恶性肿瘤
逻辑回归是互联网上最流行也是最有影响力的分类算法，也是深度学习（Deep Learning）的基本组成单元。
2 一个逻辑回归的例子
比如有下面一组数据：
一门考试之前学生的复习时间与这个学生最后是否Pass这门考试的数据
通过这些数据，利用逻辑回归算法进行模型训练，可以得到最终的模型结果是这个样子：
这样，给出任何复习时间，就可以预测出是否通过的概率
3 逻辑回归拟合函数：Sigmod函数（逻辑函数）
可以看到，逻辑回归最后的分类结果是0/1，因此，我们选择Sigmod函数（貌似是一个专业术语）来拟合训练数据。Sigmod函数的形式如下，它的x可以无限取值，但是y就在（0，1）之间
对于最简单的，只有一个自变量（x）的二元分类（y=0/1）逻辑回归中，构造出来的拟合函数为
所以，要得到最终的模型，就是根据样本点，计算a和b的值.
在上一节的复习时间和考试的例子中，最终计算出参数a=1.5046，b=-4.0777，因此可以得到下面的拟合函数的图像：
4 模型参数的计算方法
Coursera上Stanford大学的机器学习课程是很好的入门课程（虽说入门，但是我学习起来还是特别的吃力），主讲人Andrew Ng（吴恩达）原来是Google大脑的负责人，现在在百度负责百度大脑和深度学习，是业界最牛的人之一了。他的课程中详细讲解了在逻辑回归中如何来计算模型的参数，我把结论的一页截图放在下面：
其中，J就是进行拟合的成本函数：
看起来比较复杂，用我们上一节的例子来解释：
- m：代表给出的训练样本数，也就是20
- h函数：其实代表的是我们的Sigmoid函数，把样本的X值带进去，就得到的是参数a，b的函数
- y：就是样本中实际的y，只有0，1两个选择
把样本的数据都带入，最后得到的就是参数a，b的一个方程，逻辑回归就是求出一个最好的a，b的值，使得这个成本函数J的值最小。
那么，最终求解a和b就是一个纯数学问题了，比如可以用最小二乘法和梯度下降法来求解，纯数学的问题就不在这里展开了
5 多分类逻辑回归
生活中不仅仅只有分成两类的问题，还有分成多个类的问题，比如把邮件分成工作邮件、朋友邮件和垃圾邮件。
多分类的一般思想是：利用多次分成两类，计算划分到每一类的概率，取概率最大的。用邮件分类的例子来说就是：
- 将邮件分成“工作/非工作邮件”，可以根据上文的算法得出工作邮件的概率
- 将邮件分成“朋友/非朋友邮件”，计算出朋友邮件的概率
- 将邮件分成“垃圾/非垃圾邮件”，计算出垃圾邮件的概率
比较三个概率，取最大的那个概率，作为这个邮件的分类结果。
