前几篇都是讲线性回归的，特点就是最终的结果是一系列的值。我们通过找到合适的方程去匹配空间中的点的分布，得到合适的模型，然后用模型对未知的数据结果进行预测。二维线性模型就像下面的图，我们需要找到这根蓝色的线的方程。
现实生活中，我们还会有另一个常见的问题，就是分类。判断一个物体是大还是小，是高还是低，是不是垃圾邮件，这些都是只有2个答案的分类问题。还有一些复杂点的，有好几个答案，也适用于这种。
逻辑回归是基于线性回归的，它将数据拟合到一个logit函数(或者叫做logistic函数)中，从而能够完成对事件发生的概率进行预测。
因为线性回归能对结果进行预测，所以我们可以设定一个阈值，大于它的算1，小于它的算0，这样不就可以完成分类了吗？
有些时候是的，譬如我们根据垃圾邮件模型预测的结果，假如结果是从0-1之间，我们设定阈值为0.5，大于0.5就是垃圾邮件，这样不就完成了分类吗。是的，但前提是这个判断的模型足够标准，可惜绝大部分时候，线性模型给出的结果太生硬。
譬如像这样的数据分布，我们很难从线性模型中找到一个直线能较好的分离开两种数据。
而逻辑回归诞生就是为了干这事的，逻辑回归简单来说就等于线性回归乘以sigmoid函数，通过逻辑回归，我们可以将线性回归得到的可能无穷多的值，压缩到0和1的范围内。
从函数图上可以看出，函数y=g(z)在z=0的时候取值为1/2，而随着z逐渐变小，函数值趋于0，z逐渐变大的同时函数值逐渐趋于1，而这正是一个概率的范围。
所以我们定义线性回归的预测函数为Y=WTX，那么逻辑回归的输出Y= g(WTX)，其中y=g(z)函数正是上述sigmoid函数(或者简单叫做S形函数)。
至于为什么sigmoid能搞定分类，可以看看这篇。
实际上sigmoid是非常神奇的，它能在很多奇怪的分类场景中，给出美好的结果。譬如
逻辑回归都能给出比较好的界定边界。逻辑回归擅长处理比较连续性的值，譬如上面几张图，而不是那种跳跃性极大的那种。逻辑回归性能也很好，还能对样本给出概率值输出。
同时，能处理分类的问题的算法有很多，如贝叶斯、决策树、SVM等等，它们各不相同，擅长的场景也不同。后续都会看到。
逻辑回归需要注意避免过度拟合问题，如下图，图1的线性回归欠拟合，图2的较好的拟合了大部分数据，图3则过度拟合，将来在新的测试数据上就会不太匹配。
前面这些都是2分类的问题，也就是yes、no的问题，逻辑回归通过画出一跟比较合适的曲线来完成分类。
多分类时呢？
我们借鉴这一篇的说法
其基本思路也是二分类，做判断题。
比如你要做一个三选一的问题，有ABC三个选项。首先找到A与BUC（”U”是并集符号）的分离边界。然后再找B与AUC的分离边界，C与AUB的分离边界。
这样就能分别得到属于A、B、C三类的概率，综合比较，就能得出概率最大的那一类了。
OK，概念部分就说这么多，下几篇就开始数据实战。