线性回归：
可以用损失函数来评估模型，这个损失函数可以选择平方损失函数， 将所有样本的x和y代入，
只要损失函数最小，那么得到的参数就是模型参数
逻辑回归：
可以使用似然概率来评估模型，将所有样本的x和y代入，
只要这个似然概率最大，那么得到的参数，就是模型参数
也可以理解为，其实概率模型不是用损失函数来评估模型，而是用概率来评估模型
只要所有样本的条件概率乘积(相互独立同分布)
常见的损失函数
机器学习或者统计机器学习常见的损失函数如下：
1.0-1损失函数 （0-1 loss function）
L(Y,f(X))={1,0,Y ≠ f(X)Y = f(X)
2.平方损失函数（quadratic loss function)
L(Y,f(X))=(Y−f(x))2
3.绝对值损失函数(absolute loss function)
L(Y,f(x))=|Y−f(X)|
4.对数损失函数（logarithmic loss function) 或对数似然损失函数(log-likehood loss function)
L(Y,P(Y|X))=−logP(Y|X)
逻辑回归中，采用的则是对数损失函数。如果损失函数越小，表示模型越好。