Python3：《机器学习笔记与实战》之Logistic回归（2）损失函数（cost function）详解

有监督学习
机器学习分为有监督学习，无监督学习，半监督学习，强化学习。对于逻辑回归来说，就是一种典型的有监督学习。 
既然是有监督学习，训练集自然可以用如下方式表述： 
{(x1,y1),(x2,y2),⋯,(xm,ym)}
{(x1,y1),(x2,y2),⋯,(xm,ym)}
对于这m个训练样本，每个样本本身有n维特征。再加上一个偏置项x0x0, 则每个样本包含n+1维特征： 
x=[x0,x1,x2,⋯,xn]T
x=[x0,x1,x2,⋯,xn]T

其中 x∈Rn+1x∈Rn+1, x0=1x0=1, y∈{0,1}y∈{0,1}
李航博士在统计学习方法一书中给分类问题做了如下定义： 
分类是监督学习的一个核心问题，在监督学习中，当输出变量Y取有限个离散值时，预测问题便成为分类问题。这时，输入变量X可以是离散的，也可以是连续的。监督学习从数据中学习一个分类模型或分类决策函数，称为分类器(classifier)。分类器对新的输入进行输出的预测(prediction)，称为分类(classification).

在logistic回归详解一(http://blog.csdn.net/bitcarmanlee/article/details/51154481）中，我们花了一整篇篇幅阐述了为什么要使用logistic函数:
hθ(x)=g(θTx)=11+e−θTx
hθ(x)=g(θTx)=11+e−θTx

其中一个重要的原因，就是要将Hypothesis(NG课程里的说法)的输出映射到0与1之间，既： 
0≤hθ(x)≤1
0≤hθ(x)≤1
同样是李航