Logistic Regression（Logistic 回归）
1·Classification（分类）
在生活中我们会遇到各种各样的分类问题，比如邮件的分类（判断是否是垃圾邮件），在线交易（是否为恶意的），肿瘤的判定（良性或恶性）等等。通常我们令y={0,1}；
其中0表示negative class ，1表示positive class。
但在解决分类问题的时候，我们通常不会使用线性回归，so，why？
以根据肿瘤大小判断肿瘤良性恶性为例，x轴代表肿瘤的大小，y轴代表是恶性肿瘤的概率。当概率大于0.5时认为是恶性肿瘤，当小于0.5时，被认为是良性肿瘤。如上图所示，当不考虑最右边的那个数据时，做出一条直线与y=0.5想交的的交点做垂线与x轴交于一点。在此时，判断结果与实际情况较符合，当考虑到最右边的那个数据时，重新做出一条直线，可以看到过直线与y=0.5的交点做垂线交x于另一点的值与刚刚那种情况差别较大。线性回归的稳定性太差，数据的微小变动都对结果产生着很大的影响。所以线性回归不适合解决分类问题。
分类器要求结果分为0,1两项。而线性回归的结果可能大于1或者小于0.Logistic 回归的范围在0—1之间，采用Logistic 回归来解决分类问题。
2·Hypothesis Representation
Logistic function or sigmoid function的表达式和曲线就如上图所示。可以看出当z<0时，0<g(z)<0.5,当z>0时，0.5<g(z)<1.
由概率论知识可知，当x与Theta已知时，如下表达式成立：
3·Decision boundary
如何通过Logistic function 求Decision boundary？
如上图所示，当（Theta）T*X>0时，y=1，当（Theta）T*X<0时，y=0.所以（Theta）T*X=0，就是所要求得的Decision Boundary，如下例所示：
非线性的decision boundary与线性的decision boundary求解原理是一样的。如下例，非线性的decision boundary 求解。
4·Cost function
Logistic 回归与线性回归的Cost function有什么不同吗？如何求参数Theta呢？
为了使Cost function 收敛，可以令Cost function 如下：
5·Simplified cost function and gradient descent
由于y只能为0或1，所以可以将Cost function 简化。
然后选择梯度下降的方法求Theta。
6·Advanced optimization
除了梯度下降，我们还可以使用其他的算法来求Theta。
这些算法相较梯度下降有以下优点：
不需要设置学习率alpha
速度较梯度下降快
缺点：更复杂
7·Multi-class classification: One-vs-all
有时，我们更多的会遇到多级分类的问题，比如：
7223
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
