目的：分类还是回归？经典的二分类算法，其实做的是分类任务
机器学习算法选择：先逻辑回归再用复杂的，能简单还是用简单的
逻辑回归的决策边界：可以是非线性的
sigmoid函数
公式：
自变量为任意实数，值域为[0,1]
y的取值范围是0-1，相当于概率
此函数相当于概率论中的概率密度累积函数
输入范围是（-oo，+oo），输出范围[0,1]
将线性回归预测出的一个值，放到sigmoid函数当中来，转换为概率问题
一个概率值如果可能性是70%，那么不可能性就是1-70%
一旦求出概率，就可以得到分类结果
解释：将任意输入映射到了[0,1]区间，我们在线性回归当中可以得到一个预测值（
），但是线性回归是特例，这里的θ是随机取值的
再将该值映射到sigmoid函数当中，就完成了预测值到概率的转换问题，也就是分类任务
ps：
这个函数对应的是实际值，线性回归所要做的事是，在误差最小概率最大的地方求出θ，是概率的问题，而不是实际值的问题；
这里是随机θ之后，再由θ和新的x得到预测值，这里说的预测值就是这个
预测函数：
分类任务：
，
整合后：
似然函数：
，要让所有的样本满足θ准确最大概率，就是误差最小的概率，也就是上节课所说的损失函数最小的概率，所以要进行累乘。
对数似然：
，同线性回归一样，用对数将累乘转换为求和。
对于似然函数是求梯度上升时的最大值，引入
转换为梯度下降任务
则
化简得：
i表示第几个样本，j表示样本的第几个特征，一个样本有N个特征
参数更新：
α是步长，
是更新的方向，也就是求出来θ的导数
每走一步，θj就会更新一次，
例如在python中写一个for循环，循环体就是θj = θj-α后面那一串，
则θj在循环结束后，就会得到最优值
多分类：
，后期神经网络再介绍
总结：
逻辑回归相当于随机取θ，然后算出预测值，将预测值带入到sigmoid函数中，转换为概率问题，求出损失函数最小的概率，如何求出最小的概率？
并不是让导数等于0，而是先求出θ偏导的方向，一次取一个θ，再带入到参数更新中，因为α是步长，后面那一串是方向，有了步长和方向，就可以得到新的θ，最后求新老θ的差值
如果导数越接近于0的时候，那么差值就越小，θ就会越收敛，这样就会求出θ。