先给出一个例子：根据余额，判断小明是否去看电影。 训练数据： 余额1、2、3、4、5：看电影（正样本） 余额为-1、-2、-3、-4、-5：不看电影（负样本） 在图形中表示： 对于这些离散的数据，基本求解方法是找到f(x)：

根据上节所学，可以训练出线性回归的相关模型，如图所示 此时发现，效果还蛮好的，但是其存在局限性，当样本量变大以后，准确率就会下降，如图所示。 因此，解决离散数据的分类问题，尤其是二分类，线性回归不是一个好的解决办法，所以我们引出了逻辑回归。

先给出逻辑回归方程及图形表示 可以发现，逻辑回归很好的拟合了数据，出色的完成了分类任务。

用于解决分类问题的一种模型。根据数据特征或属性，计算其归属于某一类的概率P(X)，根据概率数值判断其所属类别。主要应用场景：二分类问题。 数学表达式（也称逻辑回归方程） 其中，y为类别结果，P为概率分布函数，x为特征值。

如上图有x1和x2影响，此时的逻辑回归方程 或者 上面两个分类任务，最重要的是找到决策边界g(x)

之前在线性回归当中，我们介绍了利用最小化损失函数求解该类问题，同样我们也需找到逻辑回归的损失函数(J) 将P(X)带入方程。采用梯度下降法（类似线性回归，感兴趣的读者可以到上一篇博客学习）求解最小值。 注意：其实计算机底层都封装好了这些算法，是应用过程中只需敲几行代码就OK了。这只是帮助大家更好的理解其中的原理。

从两幅图对比得知，建立新数据集会使训练的模型更加准确。

准确率越接近1越好。