logistic regression可以解决分类问题，即输出的结果只有0和1两种，比如，对于邮件的判断只有是或者否。这种分类问题使用传统的线性回归并不能很好的解决。
一个小例子
例如，当我们根据肿瘤的大小判断一个肿瘤是不是良性的时候，输出结果只有是或者否，用1和0表示，给定的样本点，并且我们使用传统的线性回归问题解决拟合的函数图像如下：
图像中我们可以根据拟合曲线，当输出值大于0.5（根据图像判断的值）的时候，确定输出的为恶性（即为1）；当输出值小于0.5（根据图像判断的值）的时候，确定输出的为良性（即为0）。但是，当我们有新的样本点加入的时候，如下图：
我们会发现，对于新的拟合曲线使用上面的方法和标准(0.5)并不能很好的做出预测。因此我们需要新的回归形式，即下面要说的logistic回归。
sigmoid function(logistic function)
sigmoid函数，又称为逻辑函数。是一个单调上升的函数，函数的形式如下：
1/(1 + EXP(-A*(X-C)))
其中A和C为参数，A控制着函数的陡峭程度，C控制着函数的对称点的水平坐标位置，下面用三个函数图像说明：
图像1，A=1，C=0：
图像2，A=10,C=0：
图像3，A=1,C=5：
逻辑回归（logistic regression）
从上面的图像可以看出，logistic函数很适合做我们刚开始提出的数据的拟合问题。现在我们假设我们以前的假设函数为
其中的θ为我们需要计算的参数，计算好的参数能够使得曲线很好的拟合样本点。
逻辑回归的参数拟合
对于给定的以上的回归模型，我们怎样拟合θ？这里我们使用概率统计中的最大似然估计做推导。
假设概率模型如下（因为函数值在0和1之间，因此我们可以直接假设如下，但实际上函数的值并不是概率）：
上面的函数可以合并写成如下的形式：
因为y的值只有0和1，因此当y=0的时候只有后半部分；当y=1的时候，只有前半部分，因此，可以写成上面的形式。
跟以前一样，我们需要写出似然函数，然后拟合参数，使得似然函数最大化，似然函数如下（假设样本点满足独立同分布）:
为了便于计算，取其对数：
至此，拟合参数为了最大化上面的形式。跟前面的一样，我们使用梯度下降的方法寻找使得函数最大化的参数值。首先求梯度：
然后，参数的迭代公式为如下形式（注意，这里为求函数的最大值，而前面的为求函数的最小值，因此符号为“+”）:
剩下的就是选择梯度下降的算法，一般选择随机梯度下降。
逻辑回归(logistic regression),布布扣,bubuko.com