# 二分類的邏輯回歸 對于二分類，我們將模型函數`φ(z)`定義為 sigmoid 函數，如下所示：  sigmoid 函數在范圍[0,1]之間產生 y 的值。因此，我們可以使用`y = φ(z)`的值來預測類：如果`y > 0.5`則 class 等于 1，否則 class 等于 0。 正如我們在本章的前幾節中所見，對于線性回歸，可以通過查找最小化損失函數的參數來訓練模型，并且損失函數可以是平方誤差或均方誤差的總和。對于邏輯回歸，我們希望最大化可能性：`L(w) = P(y|x, w, b)`。 但是，由于更容易使對數似然最大化，因此我們使用對數似然`l(w)`作為成本函數。因此，損失函數（`J(w)`）被寫為 `-1(w)`，其可以使用諸如梯度下降的優化算法來最小化。 二元邏輯回歸的損失函數在數學上寫成如下：  其中`φ(z)`是 S 形函數。 我們將在下一節中實現這個損失函數。