为了训练logistic回归模型的参数w及b，需要定义一个成本函数，即用logistic回归训练的成本函数。
为了让模型来通过学习调整参数，要给一个m个样本的训练集。而
是对一个训练样本x来说的，对于每个训练样本，使用上标i，方便引用说明、区分样本。即训练样本（i）对应的预测值是(i)，是用训练样本通过sigmoid 函数作用到
得到的。这里用上标i来指明数据，表示x、y或z和第i个训练样本的关系，和第i个样本有关，这就是上标i的含义。
损失函数也叫作误差函数，他们可以用来衡量算法的运行情况。可以定义损失函数为(-y)的平方，或者他们差平方的½。但通常在logistic回归中，大家都不这么做，因为在学习参数的过程中，会发现之后讨论的优化问题会变成非凸的，最后会得到很多个局部最优解，梯度下降法可能找不到全局最优解。损失函数L，是来衡量预测输出值和y的实际值有多接近。误差平方看起来是一个合理的选择，但是用这个的话，梯度下降法就不太好用。所以在logistic回归中，我们会定义一个不同的损失函数，它起着与误差平方相似的作用，但会给我们一个凸的优化问题，它很容易去做优化。
logistic回归中的损失函数为：
损失函数越小越好，下图绿色部分是损失函数这样定义的原因解释推理。即当y=1时，尽可能地让很大，因为处于0到1之间，所以是让尽可能接近于1；当y=0时，尽可能地让很小，因为处于0到1之间，所以是让尽可能接近于0。这样的话预测值和实际值之间的误差就会很小，表示训练效果好。
损失函数L是在单个训练样本上定义的，它衡量了在单个训练样本上的表现，只适用于单个训练样本。
下面定义一个成本函数，它衡量的是在全体训练样本上的表现，J（w,b），基于参数的总体成本函数。
所以在训练logistic回归模型时，我们要找到合适的参数w和b，让下面这里的成本函数J尽可能地小。logistic回归模型可以被看作一个非常小的神经网络。
