逻辑回归算法是一个基于线性回归的非线性化的二分类算法
这里介绍一个非线性函数
Sigmoid函数（有些神经网络也用它来进行参数非线性化）
其中的Z为线性回归求导后的目标函数，因为最小二乘法可能求不出结果，但是梯度下降法是一定求得出结果的，区别在于速度
我们可以看到Sigmoid函数图像为
可以看到自变量取值为任意实数,值域[0,1]
所以这里的解释是：
我们将任意的输入映射到了[0,1]区间，我们在线性回归中可以得到一个预测值,再将该值映射到 Sigmoid函数中这样就完成了由值到概率的转换,也就是分类任务。
令预测函数（线性回归的目标函数值）
其中
分类任务（二分类）：
整合一下得：
对于二分类任务(0,1),整合后
当y取0只保留
当y取1只保留
接着我们需要对结果进行求解，与线性回归一下，我们使用似然函数进行求解
使用对数进行变换
此时应用梯度上升求最大值,因为似然函数求导是一个最大值，求一个正的最大值即求一个负的最小值，所以我们引入
转换为梯度下降任务
对其进行求偏导，求导过程非常简单，可以看到
因此，我们得到参数更新的方向
设置好步长m，我们就能做到梯度下降了