logistic回归是一种分类方法，用于两分类的问题，其基本思想为：
- 寻找合适的假设函数，即分类函数，用来预测输入数据的结果；
- 构造损失函数，用来表示预测的输出结果与训练数据中实际类别之间的偏差；
- 最小化损失函数，从而获得最优的模型参数。
首先来看一下sigmoid函数：\(g(x)=\frac{1}{1-e^{x}}\)
它的函数图像为：
logistic回归中的假设函数（分类函数）：\(h_{\theta }(x)=g(\theta ^{T}x)=\frac{1}{1+e^{-\theta ^{T}x}}\)
解释：
\(\theta \) —— 我们在后面要求取的参数；
\(T\) —— 向量的转置，默认的向量都是列向量；
\(\theta ^{T}x\) —— 列向量\(theta\)先转置，然后与\(x\)进行点乘，比如：
\( \begin{bmatrix}
1\\
-1\\
3\end{bmatrix}^{T}\begin{bmatrix}
1\\
1\\
-1\end{bmatrix} = \begin{bmatrix}
1 & -1 & 3
\end{bmatrix}\begin{bmatrix}
1\\
1\\
-1\end{bmatrix}=1\times 1+(-1)\times1+3\times(-1) = -3 \)