【机器学习】Logistic回归

分类

根据现有数据对分类边界线建立回归公式，以此进行分类。
1. 回归，即最佳拟合，表示要找到最佳拟合参数集；
2. 寻找最佳拟合参数，使用的是最优化算法。

---

找到一个函数，能接受所有的输入然后预测出类别。比如，当有两个类的情况下，上述函数输出0或1。
Sigmoid函数

σ(z)=11+e−z

此处应有Sigmoid函数的图像
容易知道函数的值域为(0,1)，且当z=0时，σ(0)=0.5。

为了实现Logistic回归分类器，我们可以在每个特征上都乘以一个回归系数，然后把所有的结果值相加，将这个总和代入Sigmoid函数中，进而得到一个范围在(0,1)之间的数值。任何大于0.5的数据被分入1类，小于0.5即被归入0类。所以，Logistic回归也可以被看成是一种概率估计。

那么现在的问题就是：最佳回归系数是什么？如何确定它们的大小？