在逻辑回归里，不去拟合样本分布，而是确定决策边界。
sigmoid函数
sig = 1.0/(1 + np.exp(-x))
为什么需要这个函数？这个函数有个特点，当x<0时，0<y<0.5;x=0时，y=0.5;x>0时，1>y>0.5。那么，假设我想对数据做二分类，
首先从数据讲起。
1.数据是m行n列的数据（xij, i=1..m, j=1..n），那么，样本1是向量X1 =(x11,x12,x13...x1n)，样本二是X2=(x21,x22...x2n)。向量一般是列向量，所以样本X可以表示为X=(X1,X2...Xn).T。样本X1每个小x需要一个参数θ，使得该θ能与X1点乘，所得E1为方程的值y1；每个样本X的小x都需要和θ点乘，θ的维度应该是1*n；最终获得Y的列向量 Y =(Y1,Y2,Y3...Yn).T。那么，可以得到一个参数θ，使得正样本的X.T.dotθ>0.5，负样本的X.T.dotθ<0.5。有什么用呢？
2.把Y向量带入sigmoid函数，就可得到每个样本的取值，取值均在0~1之间，这样，就可以和label作对比了。（有点问题）
损失函数
如何去评判分类的好或者不好呢？