Logistic Regression
思路：
1、逻辑回归 vs 线性回归（Logistics Regression VS Linear Regression ）
2、生成模型 vs 判别模型（Generative Model VS Discriminative Model）
3、逻辑回归 vs 深度学习（Logistics Regression VS Deep Learning）
前面已经学过 Regression ，其建立的 model 是 Linear model，现在与Logistics Regression对比学习。
此节与上节内容联系比较紧密，可回头复习一下。
1、逻辑回归 vs 线性回归（Logistics Regression VS Linear Regression ）
什么是逻辑回归：
- 逻辑回归是解决分类问题的一种算法
- 它与linear regression 形式上有点像（本质上是在线性模型外面“裹”一个sigmoid激活函数，来表示概率的函数）
- 它是一种判别模型，与前面说的生成模型不同
- 它是深度学习的基础
1）model 不同
model 对比：
2）Loss Function 不同
回顾我们线性回归的Loss函数中是跟训练数据（x1,y^1）中的y^1的差值平方和，那么逻辑回归是否也要建立与y^的联系呢。
下面就要开始拼凑了！
Loss function对比：
为什么不是用平方差？
3）step 3 是类似的
先算左边（红色框）的偏导，再算右边红色框的偏导，再整理式子：
对比：
2、生成模型 vs 判别模型（Generative Model VS Discriminative Model）
两种不同的model，得到的 w，b 的参数不同。
但一般来说，判别模型表现得会比生成模型好，为什么？
举例
生成模型是基于假想的概率模型的，如果样本不平衡的话，计算出来的概率是会有误差的
但是生成模型也有优点：
1、样本量少的时候表现比判别模型好，因为它能自己脑补出一个假想模型
2、噪声对它影响较小，因为它没有过分依赖数据，它是按照自己假想模型走的
3、逻辑回归 vs 深度学习（Logistics Regression VS Deep Learning）
逻辑回归是解决分类问题的，实际中的问题大多是多分类的问题，多分类问题会用到softmax
以下面三分类问题为例：
逻辑回归是有它的局限性的，这时候就需要深度学习了！
举例：
我们要用逻辑回归方法分类出下面的红点与蓝点，是需要用特征工程的方法的，而特征工程是需要我们人为地去建立一个特征函数去把这些点转化，实际上是比较难的，或者说比较费工夫的。
但是，实际中，我们很难自己去找所有的特征转换，因此就需要用到深度学习。
将在下面一节学习！！！