Introduction to Logistic Regression(逻辑回归介绍)

++++ 介绍
在这篇博客中我们将讲解Logistic Regression的基本概念，以及它能帮我们解决什么样的问题。

Logistic Regression 是一个分类算法，将用于观察的值分配给离散的数据集(set of classes),例如检测邮件是否是垃圾邮件，网上交易是否包含欺诈，恶性或者良性的肿瘤，Logistic Regression 使用 Sigmoid 函数来转换它的输出，用来返回一个概率值。

那么什么是Logistic Regression?
1.二元分类（eg : 肿瘤是恶性还是良性）
2.多线性函数（eg : 是猫咪，还是狗，或者老鼠）

Logistic Regression（逻辑回归函数）是一个用来解决分类问题的机器学习算法，它是一个基于概率概念的预测分析算法。

我们可以将Logistic回归称为线性回归模型（Linear Regression model），但是Logistic回归使用更复杂的损失函数（cost function），该损失函数可以定义为“ Sigmoid函数”，也可以称为“逻辑函数”而不是线性函数。

Logistic Regression 倾向于将cost function限制在0-1之间，因此（Therefore）线性函数无法表示它，因为线性函数具有大于1或者小于0的值，而根据逻辑回归的假设这是不可能的。

Logistic Regression 的期望值范围

++++什么是Sigmoid function?
我们需要使用Sigmoid函数将预测值映射到概率。该函数可以将任何实际值映射至0到1之间的另一个值。在机器学习中，我们将使用Sigmoid预测映射到的概率。

Sigmoid 函数的图像

sigmoid 函数的公式

++++更新中