1. 逻辑回归
逻辑回归，该模型的输出变量范围始终在0和1之间。 逻辑回归模型的假设是：
g 代表逻辑函数（logistic function）是一个常用的逻辑函数为S形函数 （Sigmoid function），公式为：
，该函数的图像为：
合起来，我们得到逻辑回归模型的假设模型：
，hθ(x)的作用是，对于给定的输入变量，根据选择的参数计算输出变量=1 的可能性 （estimated probablity）即：
2. 代价函数
对于线性回归模型，我们定义的代价函数是所有模型误差的平方和，，我们 也可以对逻辑回归模型沿用这个定义，但是会得到一个非凸函数（non-convex function），如下图：
这意味着我们的代价函数有许多局部最小值，这将影响梯度下降算法寻找全局最小值。重新定义逻辑回归的代价函数为：
，其中
hθ(x)与 Cost(hθ(x),y)之间的关系如下图所示：
这样构建的Cost(hθ(x),y)函数的特点是： 当实际的 y=1 且hθ也为 1 时误差为 0，当 y=1，但hθ不为1时误差随着 hθ的变小而变大；当实际的 y=0 且hθ也为 0 时代价为 0，当 y=0 但 hθ不为0时误差随着 hθ的变大而变大。 将构建的 Cost(hθ(x),y)简化如下：
带入代价函数得到：
在得到这样一个代价函数以后， 我们便可以用梯度下降算法来求得能使代价函数最小的 参数了。算法为：
求导后得到：
参考资料：斯坦福大学公开课：机器学习课程http://open.163.com/special/opencourse/machinelearning.html