三年前，寫過一篇邏輯迴歸演算法的介紹，現在回頭來看，比較亂，首尾不能兼顧。關於邏輯迴歸的分類演算法，很多書籍都有介紹，比較來看，還是李航老師的書《統計學習方法》裡介紹的更清楚，若大家有時間，請不要偷懶，還是建議從頭開始看李航老師的書，這本書簡潔明瞭，適合入門。建議至少看1遍。

基於如上（主要參考李老師那本書），本篇部落格，再次對邏輯迴歸，梳理如下，目的是讓大家更快地理解邏輯迴歸。

1. logistic分佈的概念，如下圖

logistic分佈為什麼常用呢？因為它的分佈曲線，在中心附近增長很快，而在兩端增長很慢。這就是說，若以概率0.5（中心點μ處的分佈概率）為分界點，大於μ的點Z為一類，小於μ的點為另一類，那麼，我們能很好很快地把中心點附近的資料分類，就像越階跳一樣，不拖泥帶水。

基於這個分佈的特點，我們假設訓練資料滿足如下的模型：

2. Logistic迴歸的模型，如下圖

3. Logistic模型中引數的求法(估計)
有了如上模型的假設，有了訓練資料後，我們就可以把模型中的引數給求出來，具體方法如下：

4. 利用模型進行分類
利用3中的方法，得到一個logistic模型的結果如下：

則，對於測試資料或未來要分類的資料，我們只需把x帶入上面的兩個條件概率公式，哪個條件概率的值大，x對應的類別便是哪一類。