逻辑回归（Logistic Regression）是机器学习中的一种分类模型，它是一种分类算法，虽然名字中带有回归，但是它与回归之间有一定的联系。

看到回归二字，很多人可能会认为逻辑回归算法是线性回归算法的升级，还是属于回归任务吧？其实并不是这样的，逻辑回归本质上是一个经典的二分类问题，要做的任务性质发生了变化，也就是一个是否或者说0/1问题，有了线性回归的基础，只需稍作改变，就能完成分类任务。

由于逻辑回归算法的简单和高效，在实际中应用非常广泛，比如判断是否为垃圾邮件、是否患病、金融诈骗、虚假账号等等，看到这里，我们可以发现其中的特点，那就是都属于两个类别之间的判断。一句话：逻辑回归就是解决二分类问题的利器。

逻辑回归原理推导

先来回顾一下线性回归算法得到的结果：输入特征数据，输出一个具体的值，可以把输出值当作一 个得分值。此时如果想做一个分类任务，要判断一个输入数据是正例还是负例，就可以比较各自的得分值，如果正例的得分值高，那么就说明这个输入数据属于正例类别。

例如，在图5-9中分别计算当前输入属于猫和狗类别的得分值，通过其大小确定最终的分类结果。但是在分类任务中用数值来表示结果还是不太恰当，如果能把得分值转换成概率值，就变得容易理解。假设正例的概率值是0.02，那么负例就是1–0.02=0.98（见图5-10）。

那么如何得到这个概率值呢？先来介绍下Sigmoid函数，定义如下：

在Sigmoid函数中，自变量z可以取任意实数，其结果值域为[0,1]，相当于输入一个任意大小的得分值，得到的结果都在[0,1]之间，恰好可以把它当作分类结果的概率值。

判断最终分类结果时，可以选择以0.5为阈值来进行正负例类别划分，例如输入数据所对应最终的结果为0.7，因0.7大于0.5，就归为正例。
将任意的输入映射到[0,1]区间，我们在线性回归中可以得到一个预测值，再将该值映射到Sigmoid 函数中，这样就完成了由值到概率的转换，也就是分类任务。

下面梳理一下计算流程，首先得到得分值，然后通过Sigmoid函数转换成概率值，公式如下：

这个公式与线性回归方程有点相似，仅仅多了Sigmoid函数这一项。x依旧是特征数据，θ依旧是每个 特征所对应的参数。下面对正例和负例情况分别进行分析。

逻辑回归求解

逻辑回归该如何进行求解呢？之前在推导线性回归的时候得出了目标函数，然后用梯度下降方法进行优化求解，这里貌似只多一项Sigmoid函数，求解的方式还是一样的。首先得到似然函数：

对上式两边取对数，进行化简，结果如下：

这里有一点区别，之前在最小二乘法中求的是极小值，自然用梯度下降，但是现在要求的目标却是极大值（极大似然估计），通常在机器学习优化中需要把上升问题转换成下降问题，只需取目标函数的相反数即可，此时应用梯度上升求最大值，引入

转换为梯度下降任务。

此时，只需求目标函数的极小值，按照梯度下降的方法，照样去求偏导：

上式直接给出了求偏导的结果，计算量其实并不大，但有几个角标容易弄混，这里再来强调一下， 下标i表示样本，也就是迭代过程中，选择的样本编号；下标j表示特征编号，也是参数编号，因为参数θ
和数据特征是一一对应的关系。观察可以发现，对${\theta }_j$求偏导，最后得到的结果也是乘以$x_j$，这表示要对哪个参数进行更新，需要用其对应的特征数据，而与其他特征无关。

得到上面这个偏导数后，就可以对参数进行更新，公式如下：

这样就得到了在逻辑回归中每一个参数该如何进行更新，求解方法依旧是迭代优化的思想。找到最 合适的参数θ，任务也就完成了。

最后来总结一下逻辑回归的优点。

1. 简单实用，在机器学习中并不是一味地选择复杂的算法，简单高效才是王道。
2. 结果比较直观，参数值的意义可以理解，便于分析。
3. 简单的模型，泛化能力更强，更通用。

基于以上优点，我们遇到分类问题都是先考虑逻辑回归算法，能解决问题根本不需要复杂的算法。往往简单的方法也能得到不错的结果，还能大大降低其过拟合风险，何乐而不为呢？

给时间一点时间，让过去过去，让开始开始。