逻辑回归算法
机器学习可分为有监督学习，无监督学习，半监督学习，强化学习。对于LR来说，看成一种典型的有监督学习。
既然是有监督学习，训练集自然可以用如下方式表述：
对于这m个训练样本，每个样本本身有n维特征。再加上一个偏置项x0, 则每个样本包含n+1维特征：
其中 x∈Rn+1, x0=1, y∈{0,1}
统计学习方法一书中：
分类是监督学习的一个核心问题，在监督学习中，当输出变量Y取有限个离散值时，预测问题便成为分类问题。这时，输入变量X可以是离散的，也可以是连续的。监督学习从数据中学习一个分类模型或分类决策函数，称为分类器(classifier)。分类器对新的输入进行输出的预测(prediction)，称为分类(classification).
第一个有趣的问题产生了，Why使用logistics函数呢？
通过logistic函数的图像，我们很容易总结出他的以下优点：
1.他的输入范围是−∞→+∞ ，而之于刚好为（0，1），正好满足概率分布为（0，1）的要求。我们用概率去描述分类器，自然比单纯的某个阈值要方便很多；
2.他是一个单调上升的函数，具有良好的连续性，不存在不连续点。