机器学习（三）——sigmoid函数和SVM的基本型

为了解决符号函数面对分类问题时的解不唯一、受离群点影响大的问题，我们就想用一种新的方法来对数据分类。为此，我们使用一个新的将数据分开的函数——sigmoid函数。
$$h_{\omega ,b}(x)=\frac{1}{1+e^{-(\omega x+b)}}$$它的图像大概是这样的($\omega =1,b=0$)
对于这样一个函数，当函数值大于0.5时，我们就将其划分至有1的特征的这一类，当函数值小于等于0.5时，我们就将其划分至有0的特征的这一类。
和之前一样，我们可以为训练集的输入变量增加一组特征1，就可以将$b$作为$\omega$中的一个分量进行处理
接下来就是针对这一分类方法找到一个凸的代价函数(证明见这里)
$$J(\theta )=-\frac{1}{m}\sum _{i=1}^m(y^{(i)}ln$$