人们都说逻辑回归是一种很简单的分类器，笔者也看过不少关于逻辑回归的文章以及教程之类的，可是如果你让把独立地把这个逻辑回归过程完整地复述一遍，还是会有很多细节不太明了。在这里以问答形式作一个总结，错误的地方请指正。
一 能用简单的话讲讲什么是逻辑回归吗？
逻辑回归就是将线性模型的输出值经过Sigmoid函数处理，将输出值定位在（0,1）之间，用于二分类的任务。它不仅能够预测出类别，还能得到属于某个类别的概率预测。
二 逻辑回归的代价函数是什么？
用极大似然法来估计参数，即属于某正确类别的概率越大越好。初学者看到一大堆公式可能就会害怕， 这里我用通俗易懂的语言来解释一下：前面已经说过这是个二分类问题，假设有0类和1类，逻辑回归输出值为P, 可以看作是属于1类的概率。如果真实标签为1, 那么P就是我们需要最大化的概率，如果真实标签为0,那么（1-Ｐ）才是我们需要最大化的概率。我们将这些训练数据属于正确样本的概率相乘起来，然后极大化这个式子。不过概率值是小数，这么多个小数相乘容易赵成浮点数下溢，一般用取对数似然。取对数之后，我们便可以对损失函数求导，并用梯度下降法来求参数值啦。（sigmoid函数有个很好的性质：sigmoid’ ＝ sigmoid*(1-sigmoid)）
三 为啥代价函数不能用均方误差函数来做呢？
将Sigmoid函数代入代价函数后发现是个非凸函数，计算太麻烦
四 逻辑回归有什么优缺点？
形式简单，可解释性好
难以拟合复杂的数据