定义：逻辑回归是一种用于解决分类问题的统计学习方法。它通过对数据进行建模，预测一个事件发生的概率。逻辑回归通常用于二元分类问题，即将数据分为两个类别。它基于线性回归模型，但使用了逻辑函数（也称为S形函数）来将输出限制在0到1之间，表示事件发生的概率。逻辑回归可以通过最大似然估计或梯度下降等方法来进行参数估计，从而得到一个可以用于分类的模型。

一、逻辑回归入门

在分类肿瘤的例子中，我们将肿瘤分为恶性肿瘤和良性肿瘤。 对于恶性肿瘤赋值1（yes），对良性肿瘤赋值0（no）。并在坐标系中表示出其数据集以及对应的拟合曲线如下：

  

二、逻辑函数（对数几率函数）

        沿用上面的例子，假设原始数据集有一个值为0.7，我们应该如何来在坐标系中表示呢？ 我们需要引用一个逻辑函数来描述这些位于0~1中间的数据。

        在所有的二分类问题中，我们需要将实值Z准华为0/1的值，最理想的函数肯定是分段函数（单位阶跃函数）：

        但是分段函数不连续，因此不能单调可微调函数转化为线性模型。所以我们希望找到一个用于替代分段函数的“近似替代函数”，希望它能够单调可微。逻辑函数（Sigmoid function）正是这样一个函数：

                （1）

当我们将逻辑函数作为带入（1）式中可得：

       （2）

 经过变换后得到：

   （3）

 若将y视作样本x为正例（恶性肿瘤）的可能性，则1-y是其反比的可能性，两者的比值称为几率（odds），反映了x作为正例的相对可能性。按照通俗的话来说，我们可以视逻辑回归的输出结果为对于给定的输入x情况下输出y=1的概率。

        还是以肿瘤的例子说明：其中x为肿瘤尺寸，y为良性肿瘤0和恶性肿瘤1，如果从上述（2）中得到y=0.7，则说明对于x有70%的概率为恶性肿瘤。  

逻辑函数常见形式：

 

三、决策边界

在分类问题中，通过逻辑回归得到的输出只会是确定的整数；我们必须找到一个介于0~1之间的阈值flag作为决策边界。

判断的基本形式如下：通过样本值与flag进行比较来分类；

Is 

Yes:    No:

因此，我们需要确定何时的点；

有逻辑函数的基本变形形式可知在此时必有：

因此我们可以将作为决策边界

 

 非线性的决策边界

分析决策边界的函数我们不难发现，对于非线性的决策边界我们可以综合多项式回归的知识进行求解。如下图中，使用作为决策边界。

对于多元线性回归也可以同样推导