原理
原理跟我上一篇文章讲述得其实差不多，不过从原来的二分类问题拓展到多分类问题。在此次实验当中，我建立了十个分类器，分别用于识别数字0~9。关于计算机为什么能够从矩阵上面，通过对各个像素点的权重进行简单线性计算就能实现分类，这个问题我至今还没有想明白。查阅百度，也没能得到很好的答案，只能大致得理解为不同的数字有不同的特征，通过对特征的识别完成分类。
过程
首先建立代价函数，代价函数和上一篇文章一样，只需要注意样本和我们所求的维度即可。
在上一篇文章中，我们是自己手动实现梯度下降，去求得代价函数的最小值。而在这次，我们使用一个机器学习常用函数minimize()，输入代价函数，，和梯度下降函数（其实就是代价函数求偏导），再选择下降模式就可以了，所以过程很简单。
效果
我们用训练集训练我们的模型，然后将训练集当作测试集来进行测试。目前准确率只能到达94.5%左右，因为Logistic Regression无法处理复杂的非线性问题，所以准确率还不是很理想。不过，就操作难易度来讲，总体还是很不错的。毕竟有些训练集简直是魔鬼，人也不能分辨出来好嘛！！！看看这随机抽取的100个样本！
具体实现
需要导入的库
数据加载
决策函数
代价函数
梯度下降函数
训练函数
预测函数
主函数
结语
做完这个实验，感觉机器学习好像开始慢慢有作用了。我们已经能够运用Logistic Regression 来解决简单的实际问题。虽然这个我描述的很简单，但是里面数据处理需要很大的耐心，不然报bug会让人很心累。
