上一篇线性回归是连续的量，用的是梯度下降或者正规方程来求解。
这一篇讲 分类 离散的量。
判定边界
首先随便不管是什么参数θ，我们需要的是输入x之后只输出1或者0两个答案中的一个。这种要求的话一般要阶跃函数比较贴切。不过比起那种武断的分类，逻辑回归用的是概率，概率大于0.5则分类为1.也就是说，我们实际上还是**输出0~1的连续的值【概率值】然后大于0.5的分类到1，小的分到0去。**连续可导的函数才能在后期用梯度下降算法求导求代价值
客户端公式是h(x),输入x，输出分类到1的可能性。程序内部要给定θ的一系列值，然后实际函数用的是g（z）这个函数图像。总之θTx≥0时，预测分类为1.
//自己试一试怎么画出一个圆形的区域吧
代价函数
好，现在要开始让机器自动找合适的θ了
一个合适的θ，应该在理应分类为1的时候预测的h(x)输出为0.5~1 ，所以预测值越靠近0，代价越大。
所以求代价的值就用这个公式
分类为0的情况得反一下，所以整个公式是
那么，每个样本的代价总和就是加起来除以数量取平均就是了，跟线性回归一样
//之所以不像线性回归那样直接用（ 预测值-分类值 ）^2 是因为不合适，会有很多个局部最小值。
简化一下公式
利用1和0的特性做一做乘法，这样就只是一条公式，而不是分段函数
在得到这样一个代价函数以后，我们便可以用梯度下降算法来求得能使代价函数最小的参数了。
复习一下
梯度下降的算法就是：参数值=原本的参数值 - 学习率 * 代价函数对参数的导数
你看，假设横轴是参数值，纵轴是代价函数，一个u型的函数图像的话就是找最低点的参数值，当参数值偏小，导数就是负的，梯度下降算法就会往上加。
总之，经过一番艰苦卓绝的求导之后就变成下面这个公式【开头的文章链接里有写过程，我忘记了h(x)不是单纯的θx系列 而是一个分数，结果求导错了，就懒得再搞了】【实际上，就是因为有这么一个g(z)函数，才让线性回归和逻辑回归变成了完全不同的回归】
对了，别忘记特征缩放
优化梯度下降
我们用梯度下降（用偏导值改θ）的时候，代价的值J(θ)基本上是一定下降的【除非这不收敛】所以其实可以不去计算代价的值，只算偏导。
共轭梯度法 BFGS (变尺度法) 和L-BFGS (限制变尺度法) 是更高级的优化算法，我们先设定好代价函数和偏导的公式，然后它就会使用比梯度下降更复杂的算法来最小化代价函数。通常是用线性搜索(line search)算法 自动尝试不同的学习速率 ，并自动选择一个好的学习速率 ，因此它甚至可以为每次迭代选择不同的学习速率。当然还有其他更难的知识，所以我们就别自己学着做优化了，直接调用别人的库方便可靠又实用。
先准备一个子函数，输入θ向量，返回代价值和偏导值向量
然后调用优化函数，输入（子函数地址，θ初值，迭代次数等条件），返回（优化完成的θ值，算得的代价值，优化结束标识符）
多类别分类：一对多
要把样本分出好几种分类的话
就，每次单独拎出一个种类去分类，找合适的θ。有4种分类的话就有四组θ参数。以后输入新样本值，每组θ都要算一遍，找到概率最高的那个就是了，哪怕最高也只有0.233,那也是他。
475
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
