二分分类中的logistic回归（regression）

最简单的基础

以图像为例，输入三个矩阵 红绿蓝，(64*64)*3的像素亮度值---》特征向量值---X【】（64*64*3长度的一维向量）训练一个分类器输入为特征向量，输出为0，1代表是不是猫。

Z=W^T*X+b---->b为R实数W->R*n_x,X->R*n_x，b->R

y~=sigmoid(Z);

函数原型：sigmoid(z) = 1/(1+e^-z);

Sigmoid函数是一个在生物学中常见的S型的函数，也称为S型生长曲线。[1]  在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。

S(x)求导=s(x)*(1-S(x));--------一个好用的性质

为了训练w和b----》loss函数

w和b的初始化下得到的结果为y~，正确的结果为y，训练时，结果是已知的。

用loss function 来评估这个模型的正确性，我们希望得到，loss最小的w和b的参数值。

L(y~,y)=-(y(log(y~)+(1-y)log(1-y~))----->用这个·表示有利于求解最优解会有一个凸函数。------->训练模型的解会在log中而且这个为负。

cost function--成本函数----->1/m(所有的loss function之和)也就是loss function的平均值。

w,b在训练集上的效果用cost 函数来衡量。J(w,b)来表示这个成本函数，他是一个凸函数，可以得到最优解。

我们用梯度下降法来找到这个函数的最优解。J(w,b)=epression---->自己推一下打公式很麻烦，可以易得。

梯度下降：

将J(w,b)看作一个二元的函数，这是一个空间的三维立体平面---->凸的----有最优解

初始化一个w=0和b=0;然后更新--->w ：= w-α*(dJ(w,b)/dw)----->沿这个点的方向的导数*a（学习率）更新

同理更新b。 符号 :=代表更新。详细接下：