1 、引言
逻辑回归（ logistic regression ），是一种分类方法，用于二分类问题，即输出结果只有两种，如用于广告预测，也就是根据某广告被用户点击的可能性，把最可能被用户点击的广告摆在用户能看到的地方，结果用户要么点击，要么不点击。通常两类使用类别标号 0 和 1 表示， 0 表示不发生， 1 表示发生。
2 、问题引入
例如：有 10 个手机，其中有 3 个是你喜欢的， 7 个是不喜欢的。现预测你对第 11 个手机的喜好。这是一个两类问题，喜欢与不喜欢。显然这是一个二分类问题，我们对第 11 个手机进行预测分类，分为喜欢和不喜欢两个类别。
那么就需要对手机取特征，比如价格，外观，用户体验等，简单处理只拿这个三个特征，那么可以使用如下等式：
x1 ， x2 ， x3 分别表示我们对某部手机的价格，外观，用户体验具体的量化数值。 θ 表示相应的权重，权重越高表示你越看重手机哪方面。
假设通过训练已经得到了 θ 值，那么就只需要将第 11 只手机的价格，外观，用户体验的量化数值代入上述公式中，得到 z 值。如果 z 值越高，说明喜欢该部手机的可能性就越高。 z>0 表示喜欢这部手机； z<0 表示不喜欢这部手机。 z>0 时， |z| 越大表示越喜欢； z<0 时， |z| 越大表示越不喜欢。
3 、 目标函数
sigmoid 函数的取值范围为 (0,1) 。 z>0 时， z 越大， g(z) 函数值越大，无限趋近于 1 。 z<0 时， z 越小， g(z) 函数值越小，无限趋近于 0 。因此就可以使用 g(z) 的值来代替 z 表示我们对手机的喜欢程度。
以 g(z) 值 0.5 为分界线，对于横坐标 z>0 时， g(z) 值大于 0.5 的可以归为 1 类， z<0 时， g(z) 小于 0.5 ，归为 0 类。
g(z) 值的范围在 (0,1), 而任意一个概率值也在 [0,1] 。概率的取值范围大于 g(z) 的取值范围，因此任意一个 g(z) 都能够找到一个概率值相对应。假设 z 的输出结果是 0 和 1 ，那么就有我们下式：
假设分类的概率写成如下：
把上面的概率写到一起：
联系贝叶斯公式的后验概率，分类的时候选取后验概率大的值进行分类。那么现在分类模型含有未知参数 θ ，如果求出 θ 那么就可以对新的样本进行分类。
那么如何求未知参数 θ 呢？我们现在有 m 个样本，思路是建立一个目标函数，求目标函数极值，极值处的 θ 值，就是我们最有未知参数值，即我们常用的极大似然估计。
4 、极大似然估计思想
给定：数据集和含有未知参数的模型（参数全部未知或部分未知）
估计：模型的未知参数
极大似然估计的思想：在给定模型（含有未知参数）和样本集的情况下，用来估计模型参数， 使得模型实现样本的最大程度的拟合，即使得该样本出现的可能性最大。
m 个样本的释然函数：
取对数后：
似然函数求导：
逻辑回归的目标就是使似然函数最大，因此可以采用梯度下降法进行迭代求得似然函数的最大值。
5 、梯度下降法求解对数似然函数的最大值
5.1 批处理梯度下降法
需要把所有m个样本全部带入计算，迭代一个计算量为mxn2
批处理梯度下降法没迭代一步要用到训练集所有的样本，如果样本数m很大，那么计算相应速度会很慢。所以针对这种不足，又引入了另一种方法：随机梯度下降法
5.2 随机梯度下降法 SGD（stochastic gradient descent）
随机梯度下降法每次迭代只代入单个样本，迭代一个计算量为n2，当样本量总数m很大的时候，随机梯度下降法迭代一次的速度要远远小于梯度下降法，迭代公式如下：
由于每次只代入一个样本进行计算，虽然每次迭代误差准则函数都不一定是向着全局最优方向，但是大的整体方向是向着全局最优方向的。
6、逻辑回归代码
6.1 样本数据
前两列分别为x1和x2值，第3列为数据的类别
6.2 读取数据
6.3 定义sigmoid函数
6.4 批处理梯度下降法
6.5 随机梯度下降法
