引入
线性回归可以得到预测值，但这无法用于分类，如果能把预测到的结果转为概率正则可判断。那如何转为概率呢？
Sigmoid函数
这里自变量可以为任意实数，而输出可以以0.5为阈值进行正负例类别划分。
你也可以以别的值为阈值，记住要从实际业务的角度出发来选择模型
对数几率回归
将线性回归的式子带入，就可以得到logistic function（亦译作逻辑回归）的假设函数
假如样本数据的标签y有两个类别，用0，1表示，那么
写成一个式子就是
损失函数
求解需要构造损失函数
可以像线性回归一样，从统计理论着手，对L(θ）求似然函数，两边取对数，化简
这里的过程可以参考线性回归，不过赘述
另外一种构造损失函数的方法，可以从假设函数的特点出发，
这是一个误差函数，选择它的原因可以通过带入y=1预测=1，y=1预测=0，y=0预测=0，y=0预测=1来看看。
可以得知，预测正确的时候误差函数值为0，预测错误，误差函数值为无穷
那我们对每个样本数据计算误差函数值，然后损失函数J(θ)就是误差函数值的总合
不管何种方式，构造损失函数的结果是一样的，通常我们会乘上一个常系数-1/m，来简化运算。
求解损失函数
采用梯度下降的方法求解损失函数
首先求偏导
然后对参数进行更新
α为学习率，可以看到，逻辑回归模型的迭代更新格式和线性回归模型的迭代更新完全一样。
但他们的假设函数h(θ)是不同的。
多分类
如何利用二分类学习器来解决多分类问题？
我们可以将多分类任务拆解为多个二分类任务来求解，然后对每个二分类任务训练一个分类器，最后对这些分类器的预测结果进行集成，以获得最终结果。
集成结果可以通过投票产生，也可以通过置信度判断。
