一、分类问题

在分类问题中，我们的任务是通过算法对数据判断是否属于某一类，如果只有两类的话，那么就是“是”与“否”。

分类的例子比如说：判断一封邮件是否属于垃圾邮件，判断一次金融交易是否属于欺诈，判断肿瘤是良性肿瘤还是恶性肿瘤等。

在二元分类问题中，最后输出的结果只有两种，其中“0”表示“否”，“1”表示是“是”。对于（0，1）区间的其他值，取大于等于“0.5”输出为1，小于“0.5”则输出为“0”，作一个概率上的判断

但如果我们使用“线性回归”的模型，会存在一个问题，即假设函数的输出值并不在（0，1）这个区间内，那么也就无从判断了。所以“逻辑回归”解决的就是这个问题：

它的输出值永远在0到1之间

二、逻辑回归

2.1逻辑回归模型

还记得线性模型的假设函数“y=wx+b”嘛，其实逻辑回归的本质，就是在线性模型之外嵌套一层非线性函数。

这就引入逻辑回归的模型：

Sigmoid函数图像

函数模型为：

Sigmoid函数模型

在函数图像可以看出，当“z>=0”时，输出“g(z)>=0.5”，当“z<0”的时候，输出“g(z)<0.5”，而整个模型的输出值区间，无论z取什么，都是在（0，1）之间。这完美符合我们对分类问题的处理方式。

这时我们就可以定义：

2.2嵌套分类模型

刚刚说到，逻辑回归的本质其实是线性模型嵌套上一层分类函数。我们知道线性模型的函数为“y=wx+b”，把逻辑回归中的自变量“z”替换线性模型的因变量“wx+b”，换句话说，也就是把线性模型的输出结果，当做逻辑回归模型的输入，本质上是再进行一次函数映射（具体选择什么函数，则看我们的需要咯）

那么嵌套后的逻辑回归模型就变为：

线性模型嵌套sigmoid

最后，我们来梳理一下“逻辑回归”的逻辑：

wx+b>0,则z>0,则0.5<g(z)<01,则h=“1”,分类输出结果为“是”

wx+b<0,则z<0,则0<g(z)<0.5，则h=“0”,分类输出结果为“否”

当然，构建好逻辑回归的模型之后，训练模型的思路和线性回归是一致的。也是通过构建全局性误差函数Loss,通过梯度下降法来找到Loss的最小值点，找到合适的模型（关于线性回归和梯度下降，可以出门左转看我的文章哦）