在线性回归算法中，我们看到，在training set中，输入矩阵X与向量y的值都是连续的。所以在二维空间中，我们可以用一条直线去模拟X与y的变化关系，寻找参数向量theta的取值。如根据房屋面积预测房价，根据日期、纬度来预测温度等等，我们称此类问题为回归(Regression)。
而本文，我们开始研究另外一种情况下的机器学习，即y值的变化为不连续的(categorical)。例如，y的取值只有0和1，我们用来表征类似：考试通过与否(pass/fail)、比赛输赢(win/lose)、是否患病(healthy/sick)等问题。这种y的取值只有2种的情形，称为2分类，当然也存在3分类、4分类、多分类的情况，但我们总要从最简单的情况开始。这样X连续变化，y值为categorical的机器学习问题，我们称为分类Classification。
其实很明显，我们不是在寻找X与y的变化关系了，而是在寻找一个决策边界(Decision Boundary)，超过这个边界，我们认为取值为1的概率要大一些，反之我们会取0。
我们将Logistic Function定义为如下形式，我们可以看出，在x连续变化时，估计值h(x)始终在0,1之间。当x趋于无穷大时，h(x)=1;h(0)=1/2;x趋于负无穷时，h(x)=0。
其图形为：
由于Logistic Function的选择，使我们有了求解theta最关键的一步：将h(x)视作一种概率，从而利用最大似然估计(Maximum Likelihood Estimation)求解该问题。我们可以将h(x)的公式看做y=1的概率，则原公式可以写为：
由于y的值只可能取0或1，所以我们根据概率性质可知：
同样的，我们可以将以上两个公式合二为一成为如下形式：
接下来，我们来做参数拟合(Parameter Fitting)，极大似然函数为：
对L求log得：
在数理统计中，我们在此对上式求偏导数，然后置零解方程，即可得出令似然函数最大的theta值。而在我们的Logistic Regression Algorithm中，我们需要拿到这个偏导数值（在当前theta值情况下，斜度最陡翘的方向），然后来做梯度上升（从结果上看似乎是梯度下降，但其实在我们定义J的时候加了个负号，将其隐藏了）操作。我们定义Cost Function J为：
对J of theta求导，见手稿：
带入梯度下降算法我们得到，对于每一个theta
若用向量表示，则为：
