1. 引言
回到线性回归模型中，训练集和代价函数如下图
如果我们还用J(θ)函数做为逻辑回归模型的代价函数，用H(x) = g(θ^T * x)，曲线如下图所示
发现J(θ)的曲线图是"非凸函数"，存在多个局部最小值，不利于我们求解全局最小值
因此，上述的代价函数对于逻辑回归是不可行的，我们需要其他形式的代价函数来保证逻辑回归的代价函数是凸函数。
2. 代价函数
这里我们先对线性回归模型中的代价函数J(θ)进行简单的改写
用Cost(h(x), y) = 1/2(h(x) - y)^2 代替
在这里我们选择对数似然损失函数做为逻辑回归模型的代价函数，Cost函数可以表示如下
分析下这个代价函数
(1). 当y=1的时候，Cost(h(x), y) = -log(h(x))。h(x)的值域0~1，-log(h(x))的曲线图，如下
从图中可以看出
- h(x)的值趋近于1的时候，代价函数的值越小趋近于0，也就是说预测的值h(x)和训练集结果y=1越接近，预测错误的代价越来越接近于0，分类结果为1的概率为1
- 当h(x)的值趋近于0的时候，代价函数的值无穷大，也就说预测的值h(x)和训练集结果y=1越相反，预测错误的代价越来越趋于无穷大，分类结果为1的概率为0
(2). 当y=0的时候， Cost(h(x), y) = -log(1-h(x))。h(x)的值域0~1，-log(1-h(x))的曲线图，如下
从图中可以看出
- h(x)的值趋近于1的时候，代价函数的值趋于无穷大，也就是说预测的值h(x)和训练集结果y=0越相反，预测错误的代价越来越趋于无穷大，分类结果为0的概率为1-h(x)等于0
- 当h(x)的值趋近于0的时候，代价函数的值越小趋近于0，也就说预测的值h(x)和训练集结果y=0越接近，预测错误的代价越来越接近于0，分类结果为0的概率为1-h(x)等于1
为了统一表示，可以把Cost(h(x), y)表达成统一的式子，根据前面J(θ)的定义，J(θ)等于
特别说明:
1. 当y=1的时候，第二项(1-y)log(1-h(x))等于0
2. 当y=0的时候，ylog(h(x))等于0
从上面2点可以看出，J(θ)表达式符合前面定义
根据线性回归求代价函数的方法，可以用梯度下降算法求解参数θ
从上图可以看出，θj更新和线性回归中梯度下降算法的θj更新一致，差别的是假设函数h(x)不同
