关于Andrew Ng的machine learning课程中，有一章专门讲解逻辑回归（Logistic回归），具体课程笔记见另一篇文章。
下面，对Logistic回归做一个简单的小结：
给定一个待分类样本x，利用Logistic回归模型判断该输入样本的类别，需要做的就是如下两步：
① 计算逻辑回归假设函数的取值hθ(x)，其中n是样本的特征维度
② 如果hθ(x)>=0.5，则x输入正类，否则，x属于负类
或者直接利用判别边界进行判断，即：如果θ‘x>=0，则x输入正类，否则，x属于负类
所以，Logistic回归只能解决两类分类问题。
************************
这里一个很重要的问题就是，在对待分类样本进行分类之前，需要利用训练样本对该逻辑回归模型的参数θ=[θ1, θ2, ..., θn]进行求解
最优化的模型参数就是使代价函数取得最小值的参数，所以，只要利用优化，找到使得代价函数具有最小值的参数即可。
（1）给定参数theta的初始值
（2）利用函数fminunc对代价函数进行优化，求得最优化的theta值
该函数要求输入theta的初始值、梯度和代价函数的计算函数、其他设置
（3）得到最优化的theta值后，对于某一个待分类样本，计算它的假设函数取值或者是判定边界的取值，从而可以对其分类进行判别
************************
下面开始是softmax回归问题
第0步：初始化参数
①样本特征维数n (inputSize)
②样本类别数k (numClasses)
③衰减项权重 (lambda)
第一步：载人MNIST数据集
① 载入MNIST数据集
② 载入MNIST数据集的标签
在标签集中，标签0表示数字0，为了后续处理方便，将数字0的标签改为10
注1：实验中，有时为了调试方便，在调试时，可以加入合成数据；
注2：程序文件夹中，为了分类方便，将MNIST数据集和MNIST数据集的操作函数都存放在MNIST文件夹中，在使用前，加入语句addpath mnist/即可；
随机产生参数theta的初始值
它的维数是k*n，k是类别数numClasses，n是输入样本的特征维数inputSize
第二步：编写softmax函数
该函数的作用是计算代价函数及代价函数的梯度
（1）计算代价函数
① 代价函数的计算公式如下：
② 程序中的向量化计算方法如下:
(2) 计算梯度
① 梯度的计算公式如下：
② 程序中向量化计算方法如下：
第三步：梯度检验
在首次编写完softmax函数后，要利用梯度检验算法，验证编写的softmaxCost函数是否正确；直接调用checkNumericalCradient函数
第四步：利用训练样本集学习Softmax的回归参数
第五步：对于某一个待分类样本，利用求得的softmax回归模型对其进行分类
******关于向量化的程序公式的推导******
（1）已知参数的形式
① 参数θ的形式
② 输入数据x的形式
③ θx的乘积形式，记为矩阵M
（2）单个样本的成本函数
① 单个样本的成本函数
即：
② 单个样本的假设函数
但实际中，为了不会出现计算上的溢出，需要对假设函数的每一项都做如下调整
其中：
则有：
（3）m个样本的成本函数
① m个样本的成本函数
② m个样本的假设函数
其中：
(4) 计算梯度
① 单个样本的梯度计算
注1：
注2：
② m个样本梯度的计算
则有：
