如何理解LogisticRegression基本算法原理
相信大家在学习机器学习时一定会学到一个重要的算法，对数几率回归（LogisticRegression）。它主要被用来做分类问题，且多被用来做二分类问题。比如：这个汽车的品牌是宝马还是奥迪？
这个算法的思想是：先找一个类Sigmoid函数，他可以将Z值转化为类似阶跃函数的方法。作为阶跃函数的替代函数，它同时又单调可微。
对数几率函数如下：
这时的z=wTx+b,代入上式
为什么叫它对数几率函数呢？因为它可以通过化简为如下的形式：
类后验概率估计：，其主要含义是在X已发生的情况下，这时的导致因素可能性大小为P。
这时我们可以用极大似然法来估计w,b的值。（我理解最大似然法，就是考虑现在情况发生的因素最大可能性的求解，谁可能性最大，我们就认为是谁导致的。）
再通过经典的数值优化算法：梯度下降、牛顿法等求最优解。
β的解
以上就是我对LogisticRegression算法的复述和自己的理解，若有错误，请不吝赐教。