数据源采集吴恩达教授第6课的练习数据（ex6data3.mat）：
1、在Ocatve中导入数据；
L1=load(‘ex6data3.mat’);
2、构建相关的记录集，并使用Plot观察数据：
x=ones(size(L1.X)(1),3);
x(:[2,3])=L1.X;
y=L1.y
y0=find(y0);
y1=find(y1);
plot(x1(y1,2),x1(y1,3),’+’);
hold on
plot(x1(y0,2),x1(y0,3),‘o’,‘MarkerFaceColor’,‘r’);
根据以上模型分析还是比较线性的，暂定使用模型：
y=theta0+theta1X1+theta2X2
3、使用逻辑回归进行训练（逻辑回归的代码参见：《【逻辑回归】逻辑回归函数在Octave中的实现》）
这一步比较意外：
[T1,bRst,Thsl1]=LogisticRegression(0.15,0.01,20,x,y,theta)
使用以上参数进行训练，但是没有想到第一步就训练出结果了，简直不可意义，一度以为是代码有问题，反复把吴恩达的课件拿出来看了几次，在确认实现代码没有问题的情况下，对数据进行分析：
3.1、设置的误差太大，因为我们的X参数都是0后面五六位的；
3.2、将误差设置小，重现进行训练：
[T1,bRst,Thsl1]=LogisticRegression(0.15,0.001,2000,x,y,theta)
在61次回归的时候得出结论：
T1 =
0.27017
0.48933
1.53755
OK，将y=theta0+theta1X1+theta2X2的曲线画出来，看看是否能够满足我们题目中的要求：
回忆一下课程中判断最终有多少机率是0还是1，应该是这样一条曲线。横轴是：theta’X’（使用f(x)来表达），也就是theta0+theta1X1+theta2X2。纵轴是机率，也就是G(f(x))=1/(1+e^(-f(x))。也就是说如果f(x)>0，则最终的结果y=1；
所以我们画出的线也应该是theta0+theta1X1+theta2*X2=0，在这条线之上的，我认为预测结果应该是为1的，而在这个线之下的，我们认为预测结果应该是为0的。
画线：我们在上面的（X1，X2）点线图上取两点
XPlot=[1,-0.8;1,0.5]
然后需要计算这两点的X1坐标对应于X2的坐标，代入上面点线即可：
theta0+theta1X1+theta2X2=0
X2=-(theta0/theta2+theta1X1/theta2)
这里将-theta0/theta2，-theta1/theta2看成两个参数，也就是P0，P1。我们可以把X2表达式重写：X2=P0+P1X1
TPlot(1,1)=-T1(1,1)/T1(3,1);
TPlot(2,1)=-T1(2,1)/T1(3,1);
所以代码如下：
plot(XPlot(:,2),TPlot’*XPlot’);
结果如下：
可见上图也不是一个合适的结果集，继续缩小误差试试从0.001调到到0.0001
这就看上去比较接近我们的结果集了，当然我们也可以进一步降低误差，看看是否有更好的表现。
