logistics

==二元分类==

输出：标签1/0

img在计算机中保存–>三个矩阵（假设64*64，那么就有3 * 64 * 64个像素，变成特征向量，总维度，也就是矩阵的行为n=3 * 64 * 64，如果有m组训练集，那么矩阵最终为m列，n行)

==logistics回归==

y^ 表示 y 等于1的一种可能性或者是机会

w 表示逻辑回归的参数，这也是一个 n 维向量（因为 w 实际上是特征权重，维度与特征向量相同），参数里面还有 b，这是一个实数（表示偏差）

选择使用sigmoid函数原因：如果单纯线性，无法把y^值控制在0-1之间，故取sigmoid(z)

使得z很大，sigmoid(z)趋近1， z 变成一个绝对值很大的负数，sigmoid(z)趋近0

==损失函数==

$L(\hat{y},y) = -y\log(\hat{y})-(1-y)\log(1-\hat{y})$ 单次

成本（代价）函数：$J(w,b) = \frac{1}{m}\sum_{i=1}^{m}{(-y\log(\hat{y})-(1-y)\log(1-\hat{y}))}$ 也就是总代价，训练逻辑回归模型时候，我们需要找到合适的 w 和 b ，来让代价函数 J 的总代价降到最低

==梯度下降法==

J 为凸函数，没有局部最优，只有全局最优

朝最陡的下坡方向走一步，不断地迭代

更新w，b 找到最合适的参数使得J = Jmin