逻辑回归（Logistic Regression）是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。比如某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。
注意，这里用的是“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘。
逻辑回归假设因变量 y 服从伯努利分布 （0-1分布）；
而线性回归假设因变量 y 服从 正太分布（高斯分布）。
一个机器学习的模型，实际上是把决策函数限定在某一组条件下，这组限定条件就决定了模型的假设空间。当然，我们还希望这组限定条件简单而合理。
逻辑回归模型所做的假设是：
这里的 g(h) 是上边提到的 sigmoid 函数，相应的决策函数为：
决策边界（Decision Boundary）
决策边界，也称为决策面，是用于在N维空间，将不同类别样本分开的平面或曲面。
首先看Andrew Ng老师课程上的两张图：
线性决策边界：
在逻辑回归中，
假设函数（h=g(z)）用于计算样本属于某类别的可能性；
决策函数（h=1(g(z)>0.5)）用于计算（给出）样本的类别；
决策边界（θ^Tx=0）是一个方程，用于标识出分类函数（模型）的分类边界。
代价函数（Cost Function）
【机器学习】代价函数（cost function）
在逻辑回归中，最常用的是代价函数是交叉熵(Cross Entropy)
代价函数衡量的是模型预测值h(θ) 与标准答案y之间的差异，所以总的代价函数J是h(θ)和y的函数，即，J=f(h(θ), y)。
在线性回归中，最常用的是均方误差(Mean squared error)，即
