> Logistic Regression，在線性回歸的基礎上，增加Sigmoid函數，解決**分類**問題。 > 本課學習時長評估：2小時。 ## 邏輯回歸定義 邏輯回歸是一個分類模型，其思想是基于線性回歸，屬于廣義線性回歸模型。 ## 邏輯回歸公式 * 預測函數 `$ h_\theta(x) = \frac{1}{1 + e^{-z}} = \frac{1}{1 + e^{-\theta^Tx}} $` `$ z = \theta_0 + \theta_1x_1 + \theta_2x_2... + \theta_nx_n = \theta^Tx $` * Sigmoid函數 `$ y= \frac{1}{1 + e^{-z}} $` 邏輯回歸算法，是將線性函數的結果映射到了sigmoid函數中，然后對sigmoid作為預測函數，求出成本函數，然后最小化成本，得出w,b超參數。 * 損失函數 LR的損失函數為： 負的對數損失函數。 邏輯回歸**假設樣本服從伯努利分布（0-1分布）**，然后求得滿足該分布的似然函數，接著取對數求極值最小化負的似然函數 ## 邏輯回歸的求解過程 [白話簡介視頻鏈接](https://www.bilibili.com/video/BV1Cx411d7MU) [公式推導視頻鏈接](https://www.bilibili.com/video/BV1As411j7zw)