1.逻辑回归原理
逻辑回归（Logistic Regression）是机器学习算法中用的比较多的一个算法，它并不是解决回归问题，而是解决分类问题，是将样本的特征和样本发生的概率联系起来，而概率是一个数，并将概率区间进行分类 。
前面讲到的线性回归算法中，当输入一个样本x的时候得到一个预测值y，如果是房价预测则预测值为房价，如果预测学生成绩，则预测值为成绩，预测值的函数为：
转换成逻辑回归，因为逻辑回归本质是个概率函数，并根据概率值来进行分类，假设概率值为p，假设当概率值大于等于0.5时，则将结果分类为1，否则分类为0，比如肿瘤预测，当概率值大于等于0.5则为恶性肿瘤，小于0.5则为良性肿瘤，根据样本x的输入，得到的概率函数如下所示：
逻辑回归既可以看做是回归算法，也可以看做是分类算法，通常作为分类算法用，只可以解决二分类问题。对于多分类问题，逻辑回归一般不可以解决。
对于线性函数：
通过线性回归可以得到任意值，而概率的值域为[0,1]，因此可以借助函数SIGMOD函数，将预测值y的值代入σ(t)，得到概率函数p：
σ(t)的曲线为：
可以看出该曲线的最小值无限趋近于0，最大值无限趋近于1，且该曲线关于t=0对称，当t>0时，p>0.5;当t<0时，p<0.5;t=0时，p=0.5。因此当t=θ^t *xb代入σ(t)：
由上式可得损失函数cost：
其中y为真实值。当真实值为1时，而概率p很小时，则损失会更大；当真实值为0时，而概率很大时，则损失也会很大。
由损失函数cost会随着概率与真实值偏离越大而越大，因此可以将cost函数写为：
即可得到逻辑回归的损失函数：
其中θ为向量，该损失函数J(θ）没有公式解，只能用梯度下降法求解，由于该函数为凸函数，因此有唯一解。
2.逻辑回归算法梯度函数推导
要求出该损失函数的最小值，需要对该函数进行求导，由于该函数较复杂，可以先对σ(t)进行求导：
由：
对任意θj进行求导，可得：
由：
对任意θj进行求导，可得：
由上面两个求导公式可得：
因此对损失函数中任意θj进行求导，可得：
则求损失函数的梯度就很容易了，可得：
后续再加入基于Python的代码实现。