分類問題（Classification）：y的取值只能為某些離散的固定的值绷耍，如0蛾号，1
對(duì)于分類問題碘赖，如果用線性回歸安岂，會(huì)發(fā)現(xiàn)幾點(diǎn)問題
1.線性回歸可能會(huì)出現(xiàn)遠(yuǎn)小于可能出現(xiàn)的最小值或遠(yuǎn)大于可能出現(xiàn)的最大值
2.線性回歸可能會(huì)被個(gè)別非常特殊的點(diǎn)影響轻猖，如某個(gè)x非常大但是y等于1的孤立點(diǎn)加入，會(huì)對(duì)斜率造成相當(dāng)大的影響
所以我們對(duì)于分類問題嗜闻，采用邏輯回歸進(jìn)行擬合
邏輯回歸是通過S型函數(shù)（Sigmoid function）也叫邏輯函數(shù)（logistic function）來進(jìn)行擬合的
在線性回歸中蜕依，擬合函數(shù)是這個(gè)形式的：
而邏輯回歸的擬合函數(shù)為：
如果θ的轉(zhuǎn)置與X相乘小于0，則分母大于2，則可直接被認(rèn)為擬合值為0样眠，若大于0友瘤，則分母大于1小于2，則可以直接認(rèn)為擬合值為1檐束，非常聰明的方程
此處算出來的h(x)辫秧，實(shí)際上相當(dāng)于預(yù)測y等于1的概率
對(duì)于表達(dá)式P(y=1|x;θ)=a
意思是指，在已知的θ情況下被丧，給定x盟戏，y=1的概率為a
決策邊界（Decision Boundary）：
如上面所說的，我們認(rèn)為了當(dāng)h(x)大于等于0.5時(shí)甥桂，預(yù)測值為1柿究，當(dāng)h(x)小于0.5時(shí)，預(yù)測值為0黄选，對(duì)于這種判斷蝇摸，我們的決策邊界就為0.5，以0.5為界办陷，大于等于的取1貌夕，小于的取0
代價(jià)方程（Cost Function）：
對(duì)于邏輯回歸，原本的代價(jià)方程顯得不是那么好用民镜，原因是按照原本的代價(jià)方程啡专，會(huì)有多個(gè)局部最小，也就是極小值制圈，所以針對(duì)邏輯回歸引入了新的代價(jià)方程：
可合并為：
梯度下降（Gradient Descent）：
雖然邏輯回歸的的代價(jià)方程有所變化们童，但是針對(duì)梯度下降法中的步驟并沒有改變，同時(shí)鲸鹦，計(jì)算出的式子經(jīng)過簡化也與線性回歸的一致：
其他求θ的方法：
除了梯度下降法病附，還有其他的方法可以更快的求出θ，如 "Conjugate gradient", "BFGS", 和 "L-BFGS" 亥鬓，這些方法在Octave中已經(jīng)有提供，不必自己寫
多項(xiàng)分類問題（Multiclass Classification）：
針對(duì)結(jié)果有多種可能的情況域庇，我們只需要針對(duì)每個(gè)結(jié)果每次只考慮兩種情況嵌戈，屬于這個(gè)結(jié)果，或者不屬于听皿，然后迭代即可熟呛，也稱作One-vs-all
這樣，我們有了n個(gè)假設(shè)方程尉姨，針對(duì)給出的x庵朝，我們只需給出所有假設(shè)方程中，估計(jì)概率最大的那個(gè)即可
