本章主要講解了邏輯迴歸相關的問題，比如什麼是分類？邏輯迴歸如何定義損失函式？邏輯迴歸如何求最優解？如何理解決策邊界？如何解決多分類的問題？
更多內容參考 機器學習&深度學習
有的時候我們遇到的問題並不是線性的問題，而是分類的問題。比如判斷郵件是否是垃圾郵件，信用卡交易是否正常，腫瘤是良性還是惡性的。他們有一個共同點就是Y只有兩個值{0,1}，0代表正類，比如腫瘤是良性的；1代表負類，比如腫瘤是惡性的。當然你想用1代表良性也可以，而且輸出的值不僅僅侷限為0和1兩類，有可能還有多類，比如手寫體識別是從0到9。
如果使用線性的方法來判斷分類問題，就會出現圖上的問題。我們需要人工的判斷中間的分界點，這個很不容易判斷；如果在很遠的地方有樣本點，那麼中心點就會發生漂移，影響準確性。
如果我們想要結果總是在0到1之間，那麼就可以使用sigmoid函式，它能保證資料在0-1之間。並且越趨近於無窮大，資料越趨近於1。
回到我們假設的問題上來，如果腫瘤是依賴於大小來判斷良性惡性，如果超過0.7*平均值，就判斷是惡性的，那麼平均來算30%的是惡性的，70%是良性的，他們相加總會是100%。再來看看上面的sigmoid的影象，每個點都表示它屬於1的概率是x，屬於0的概率是1-x。這樣一個分類的問題，就變成了曲線值得問題了。
如果想讓y=1，即g(z)的值要大於0.5，那麼z的值就需要大於0；相反，y=0，就是z的值小於0。因此整個分類問題，就變成了尋找決策邊界的問題了。
那麼如何確定邏輯迴歸的損失函式呢？如果使用均方誤差，由於最終的值都是0和1，就會產生震盪，此時是無法進行求導的。
因此需要尋找一個方法，使得代價函式變成凸函式，從而易於求解。
如果把損失函式定義為上面的形式，當真實的值是1時，我們預測的值越靠近1，cost的值越小，誤差越小。如果真實值是0，那麼預測的值越靠近1，cost的值越大。完美的表達了損失的概念。而且，由於0和1的概念，可以把上面的公式合併成下面統一的寫法。直接基於這個統一的寫法，做梯度下降求解即可。
在求解最優化的問題時，不僅僅只有一種梯度下降Gradient descenet,還可以使用Conjugate gradient，BFGS，L-BFSGS。
多分類問題，可以理解為採用多個logistic分類器，進行分類。針對每個樣本點進行一個預測，給出概率值，選擇概率值最高的那個進行分類的標識。
