逻辑斯蒂回归
线性回归的问题 —— 怎样判断肿瘤是否恶性？
线性回归健壮性不够，一旦有噪声，立刻“投降”
逻辑斯蒂回归 —— 分类问题
Sigmoid函数（压缩函数） 0-1之间阶跃函数的平滑 -- 解决阶跃函数非线性度不够的问题
redu线性整流函数，比阶跃好点
我们将线性回归拟合出来的值用压缩函数进行压缩，压缩完成后用 0.5 做一个概率的判定边界，就能把样本分成两类，即正样本和负样本；
sigmoid函数中（神经网络中用的多），e-z 中 z 的正负决定了 g(z) 的值最后是大于 0.5 还是小于 0.5；即 z 大于 0 时，g(z) 大于 0.5，z 小于 0 时，g(z)小于 0.5
当 z 对应的表达式为分类边界时，恰好有分类边界两侧对应 z 正负不同，也就使得分类边界两边分别对应 g(z)>0.5 和 g(z)<0.5，因此根据 g(z) 与 0.5 的大小关系，就可以实现分类
逻辑斯谛回归损失函数
平方损失函数的问题
h(oX)为预测值，y是真实值；
梯度下降法求解
机器学习or监督学习的目的就是这个梯度下降函数（损失函数 和正则画像）