机器学习：逻辑回归 一句话概括逻辑回归：
逻辑回归假设数据服从伯努利分布，通过极大化似然函数的方法，运用梯度下降来求解参数，达到将数据二分类的目的。
原理：
有一组特征变量：
，表示为x，
一组参数：
，表示为θ，
，表示为
，值域为（－∞，﹢∞）。
将值域归到0~1之间，则可以符合概率的值域：
现有一组样本：
极大似然函数：
极大似然函数再取对数，变成对数损失函数，对数损失函数是连续可导的凸函数，可以用梯度下降求解。
特点：
很多特征高度相关，不会影响效果，但去掉高相关特征可解释性更强，还可提高训练速度。
优点：形式简单，可解释性强，训练快，内存小。
缺点：复杂的数据分布、非线性、多分类、数据不平衡效果都不好
原文地址https://blog.csdn.net/rona1/article/details/80760299
