**************************************
注：本系列博客是博主学习Stanford大学 Andrew Ng 教授的《机器学习》课程笔记。
博主深感学过课程后，不进行总结非常easy遗忘，依据课程加上自己对不明确问题的补充遂有此系列博客。本系列博客包含线性回归、逻辑回归、神经网络、机器学习的应用和系统设计、支持向量机、聚类、将维、异常检測、推荐系统及大规模机器学习等内容。
**************************************
逻辑回归
分类（Classification)
分类问题举例：
邮件：垃圾邮件/非垃圾邮件？
在线交易：是否欺诈（是/否）？
肿瘤：恶性/良性？
以上问题能够称之为二分类问题。我们将因变量(dependant variable)可能属于的两个类分别称为负向类（negative class）和正向类（positive class），则因变量yϵ{0,1}，当中0表示负向类。1表示正向类。
对于多分类问题。能够例如以下定义因变量y：y∈{0,1,2,3,...,n}
假设分类器用的是回归模型，而且已经训练好了一个模型，能够设置一个阈值：
假设hθ(x)≥0.5。则预測y=1,既y属于正例；
假设hθ(x)<0.5。则预測y=0,既y属于负例；
可是对于二分类问题来说，线性回归模型的Hypothesis输出值hθ(x)能够大于1也能够小于0。这个时候我们引出逻辑回归。逻辑回归的Hypothesis输出介于0与1之间，即:
0≤hθ(x)≤1
假说表示（Hypothesis Representation）
上一节谈到，我们须要将Hypothesis的输出界定在0和1之间，既：0≤hθ(x)≤1
可是线性回归无法做到。这里我们引入一个函数g, 令逻辑回归的Hypothesis表示为：
hθ(x)=g(θTx)。这里g称为Logistic function
比如。假设对于给定的 x。通过已经确定的參数计算得出 hθ(x)=0.7，则表示有 70%的几率y为正向类，对应地y为负向类的几率为 1-0.7=0.3。
如今如果我们有一个模型：hθ(x)=g(θ0+θ1x1+θ2x2) ，而且參数θ是向量[-3 1 1]。则当-3+x1+x2 大于等于0，即x1+x2大于等于3 时。模型将预測 y=1。
我们能够绘制直线 x1+x2=3，这条线便是我们模型的分界线，将预測为 1 的区域和预測为 0 的区域分隔开。
上述仅仅是一个线性的决策边界，当hθ(x)更复杂的时候，我们能够得到非线性的决策边界。比如：
Costfunction(代价函数)
对于线性回归模型。我们定义的代价函数是全部模型误差的平方和。理论上来说，我们也能够对逻辑回归模型沿用这个定义，可是问题在于。当我们将
带入到这样定义了的代价函数中时，我们得到的代价函数将是一个非凸函数（non-convex function）。
这意味着我们的代价函数有很多局部最小值。这将影响梯度下降算法寻找全局最小值。因此我们又一次定义逻辑回归的代价函数：
这样构建的Cost(hθ(x),y)函数的特点是：当实际的 y=1 且 hθ也为 1时误差为 0。当 y=1 但hθ不为1 时误差随着 hθ 的变小而变大；当实际的 y=0 且 hθ也为 0 时代价为0，当y=0 但hθ不为0时误差随着hθ的变大而变大。
在得到这样一个代价函数以后，我们便能够用梯度下降算法来求得能使代价函数最小的參数了。算法为：
注意，这个算法和线性回归里的梯度下降算法差点儿是一致的，除了hθ(x)的表示不同。
除了梯度下降算法以外，另一些常被用来令代价函数最小的算法。这些算法更加复杂和优越，并且通常不须要人工选择学习率，通常比梯度下降算法要更加高速。
这些算法有：共轭梯度（Conjugate Gradient），局部优化法(Broyden fletcher goldfarb shann,BFGS)和有限内存局部优化法(LBFGS)。
Multi-classclassification: One-vs-all(多类分类问题)
多类分类问题举例：
电子邮件分类/标注： 工作邮件。朋友邮件，家庭邮件，爱好邮件
医疗图表(medicaldiagrams): 没有生病，着凉，流感
天气：晴天，多云，雨，雪
One-vs-all(one-vs-rest):
对于多类分类问题，能够将其看做成二类分类问题：保留当中的一类，剩下的作为还有一类。比如，对于以下这个样例，能够分别计算当中一类相对于其它类的概率：
******************
作者：hao_09
时间：2015/8/9
文章地址：http://blog.csdn.net/lsh_2013/article/details/47381227
******************