注，本文是在學習吳恩達老師（Andrew Ng）網易公開課課程的的學習總結和理解，希望與君共勉！

1.在邏輯迴歸數學模型那篇博文中我們提到，當你做Logistic Regression的時候，在x和y為已知的情況下（比如是貓還是非貓），學習得到引數w和b，使得y帽儘可能的接近y。

2. 為了表達y帽儘可能的接近y，我們需要定義個lost 函式，我們可以定義lost函式為

但是這個函式由於是區域性收斂的，滿足不了梯度下降演算法。

3. 為此我們需要從新定義一個下面這樣的函式，這個函式是全域性收斂的。

4. Cost函式的定義為整個訓練集上lost函式和的平均。

5. 有了lost函式來表達y帽接近y的程度，越接近lost函式的值越小，當兩個相等時，lost函式的值為0.

於是邏輯迴歸的本質就可轉化為：在x和y為已知的情況下（比如是貓還是非貓），學習得到引數w和b使得Cost函式的取值儘可能的小。