研究生阶段机器学习之logistic回归模型

前言
今天是2020/7/9，已经开始进行研究生阶段的学习了。对于新知识的学习而言，入门总是最难的。我之前从未接触过机器学习领域，因此在看周志华老师的《机器学习》这本书时，总觉得迷迷糊糊，不得要领。也就使得最近心情烦躁，学习没得效率。万幸的是在我大姐的帮助下（大姐是研究NLP方向的），终于开始渐入佳境，有所收获。为了一改以往学习边学边忘的情况，研究生阶段的学习我打算采用学习+写博客+时常回顾的方式进行。好了，废话不多说，今天就把最近学习过的logistic回归记录一下。
正文
逻辑回归（Logistics Regression）是机器学习中最常见的一种用于二分类的算法模型。主要用于二分类，也可以作用于多分类。
公式推导
所谓二分类，就是一件事要么成立，要么不成立。logistics模型就是用来判断这件事成立或者不成立的概率。那么首先我们要有足够多的训练数据，在对算法模型进行训练后，获取可靠的参数w与b，之后才能判断事件A成立或者不成立的预测概率（这里我们将预测概率称为y1，输入称为x）。
如果我们有了参数w、b，那么如何表示y1呢？y1=xw+b?不不不，这样是不准确的，由上文可知，我们需要求得的是成立或者不成立的概率，而y1=xw+b很明显图像是一条直线，其值域为正无穷到负无穷。这是不符合概率大于零小于1的原则。这个时候我们就可以使用激活函数sigmoid（）来对y1=xw+b进行修改。sigmoid（）函数图像如下图所示 由图可知，sigmiod()函数的定义域为正无穷到负无穷，值域为-1到+1。因此可以把y1=xw+b求得的y1当做未知数带入到sigmoid（）函数中。如此就可以表示事件发生的概率。