李宏毅机器学习（5）—Logistic Regression（与 linear regression 的差异分析）

这次由于在听李宏毅老师的课程中对于 logistics regression，和一般的regression 区分出现了混乱，所以去听了一段时间吴恩达老师的课程。相比于李宏毅老师，吴恩达老师的课程可以说是面向0基础，甚至很多高数线代基本知识都是现场讲解。
此外，关于 logistics regression 的内容，在csdn上看到了一位大佬的讲解，阅读过后感触良多，此处附上链接 逻辑回归

相关定义

首先要把logistics regression 和一般的 regression 作一下区分，虽然他们都叫 regression，但是logistics regression实际上是分类问题，而不是回归问题。一般的 regression的输出结果是连续的常量，而logistics regression最后输出的一般是个二元分类，所以它实际上还是属于 classification 问题的。
那么为什么会将这样的分类问题称作regression 呢，实际上是因为logistics regression是使用了类似于regression的方法，它的输出首先是个连续值，然后通过sigmoid函数，将其变成一个0-1之间的数值，再根据这个数值的大小进行分类。所以这是个过程是回归，但是结果是分类的问题。

第一步

要深入理解logistics regression 问题，首先还是根据机器学习的三步来，看一看它的function set 是怎么样的。
根据上一章ppt的结论，根据某一样本x的值得到他从C1中取出的概率是σ（z）,z又可由