逻辑回归本质：假设数据服从某一分布，通过极大似然法，运用梯度下降来求解参数，达到数据分类的目的。
#实质上是一个分类模型
Logistic分布：
其中有两个参数：位置参数和形状参数
Logistic 分布是由其位置和尺度参数定义的连续分布。Logistic分布的形状与正态分布的形状相似，但是 Logistic 分布的尾部更长，所以我们可以使用Logistic分布来建模比正态分布具有更长尾部和更高波峰的数据分布。在深度学习中常用到的Sigmoid函数是 Logistic 的分布函数在参数为0和1时候的特殊形式。
考虑二分类问题（假设线性可分）
给定数据集：D={（x1,y1），（x2,y2），（x3,y3），...}
考虑到wx+b取值连续，且取值为R，所以考虑对条件概率（p(Y=1|x)）做拟合，并采用模型-对数几率函数：
重写公式有：
逻辑回归模型：输出Y=1的对数几率是由输入x的线性函数表示的模型
#将数据集中的数据分为Y=0和Y=1两类，而如何区别这两类数据，就需要用逻辑回归模型进行判定
损失函数：
实质上，最大化似然函数和最小化损失函数等价
平均似然损失：J（w）=[-lnL(w)]/n
L（w）是似然函数（取对数进行运算）
求解：
梯度下降（一阶导数、二阶泰勒展开等）
运用迭代的方式寻找估计值，不断接近，直到达到最大迭代次数或是误差小于阈值
