二元logistic模型案例_基于Logistic回归的二元分类应用（含公式推导）

一、 关于回归

在分类中问题中，如果给定一个输入，其所产生的输出是一个布尔值，那么这是是与否型的答案；而在输出是数值型的值下，我们所希望的学习结果不是C={0, 1}，而是一个连续的函数。我们倾向于将数值的输出写成关于输入的函数，数值输入称为自变量，数值输出称为因变量。我们希望通过对训练数据集学习后得出一个类似下面的函数关系式(这里以简单线性为例)。

在二元分类中，我们需要一个这样的函数：它能够接收所有的输入并能预测类别，即0或1。Sigmoid函数正是我们需要的函数，

sigmoid函数它具有以下性质：

a、函数输入为0时，Sigmoid结果为0.5。

b、随着输入x值的增大，Sigmoid函数接近1，随着x的减小，其值接近于0。

我们将上面拟合得到函数g(x)代入Sigmoid函数中，若g(x)输出值大于0时，Sigmoid函数结果大于0.5，g(x)值小于0时，Sigmoid函数小于0.5。这样Sigmoid函数把g(x)函数值转为为后验概率，也即Sigmoid函数大于0.5概率时，我们将X类标标记为1，而概率小于0.5时，X类标记