一、logistic 回归的代价函数：
1、y = 1
图像左侧无穷大的通俗解释：假设我们预测y = 1 的概率为0，但如果y确实等于1，那么我们会用非常大的代价值来惩罚这个学习函数。
2、y = 0
图像右侧无穷大的通俗解释：如果最后y = 0，而我们几乎非常肯定的预测y = 1的概率等于1，那么我们就要为此付出非常大的代价值
二、简化代价函数与梯度下降
logistic回归的代价函数：
代价函数J等于： 1/m乘以对应不同标签的yi的各个训练样本在预测时付出的代价之和
将代价函数简化为一个式子，我们可以得到：
我们使用梯度下降法求使得J最小的参数θ，思路如下
求得式中的偏导项为 
，回带到上述梯度下降法，得到
完整的梯度下降法如下：
注意：虽然logistic回归梯度下降算法和线性回归梯度下降算法的式子相同，但假设函数hθ(x)是不一样的