逻辑回归的想法是用回归的方法来解决分类问题，然而直接用线性回归达不到我们想要的效果如下图（原因不再赘述），所以我们选取了sigmoid函数来进行拟合，原因以后阐述。
所以我们选择了如下的函数来拟合：
然而，应该怎样定义它的CostFunction呢？同样，线性回归为何选用最小二乘法的CostFunction？
先给出不准确的定义：这个Cost函数就只有一个极值点，且为极小值（如何判断？导数为0点只有一个，且当x大于极值点时，导数恒大于0，所有的能用梯度下降来拟合的函数必须满足这一关系）
其实，CostFunction的选取来源于极大似然估计：
以线性回归为例：
我们可以把y表示成以下形式：
其中最后的误差项代表我们未考虑的因素带来的误差（比如预测房价是我们没有考虑采光这一特征），且假设这个误差项服从均值为0的高斯分布，那么误差项的概率密度为：
那么，预测出来的y的概率密度为：
以下，我们要用最大似然估计来确定theta的值，是我们预测的结果概率最大（具体参见概率密度定义）：
用对应公式求得：
取对数得到costFunction：
可知，要使上式最大就是是减号后面的部分最小，即得到了我们需要的CostFunction！
逻辑回归也是一样，，只是不是梯度下降，是梯度上升，如下：
最大似然估计为：
取对数得到CostFuction：
这回，theta需要使上式最大！很明显，上式只有一个极大值，应该是梯度上升！所以得到：
得到theta的更新式为：
综上：logistic回归与线性回归还是有很大的区别的，不仅在于拟合曲线不一样，CostFunction也不同，只是最后换算后theta的更新表达式相同罢了，具体是巧合还是必然，待研究以后来此说明。
具体的代码参见下一篇博文，思路参见点击打开链接
补充：其实关于上述论述还有其他的解释和说明，但实质并不冲突。