6-1、classification
什么是分类问题：positive/negative
二分类问题、多分类问题
Threshold classifier
线性回归对于分类问题的实用性
逻辑回归对于分类问题的实用性——典型的分类算法
6-2、逻辑回归算法的目标函数
函数h的含义和目的：给定输入样本，去估计y=1的概率；
6-3、逻辑回归算法——决策边界
线性决策边界：
上图决策边界的属性是由目标函数h的参数theta直接决定的，与训练集无关！！！
（训练集的作用是去修正决策边界，去更好地拟合参数theta，使其决策边界更准确）
非线性决策边界：（多元多次）
分析：由线性非线性决策边界可以看出，关键在于参数theta的确定，训练集数据用来拟合参数theta；接下来一讲介绍怎么去利用已知训练集来自动拟合参数theta——即Cost Function
6-4、逻辑回归算法——损失函数
①问题设定：
②cost function
具体每部分图像：
分析：定义单训练样本代价函数，与线性回归问题函数不同，关键在于原来的损失函数用于逻辑回归模型中时，是一个非凸函数，无法用凸优化方法去计算，因此采用上述cost
下一讲：对整个训练样本进行cost function定义，简化，并利用梯度下降法去求解
6-5、逻辑回归算法——简化损失函数、以及梯度下降算法
①问题设定
最终为：
②此时梯度下降算法：
分析：对J进行求偏倒后，形式和线性回归中完全一致！！但：两者的目标函数不同，只是形式一致而已。
说明：线性回归中的Feature scaling 技巧，依旧适用于逻辑回归的梯度下降算法！
6-5、逻辑回归算法——先进优化办法
①Look：
四个优化算法，视情况而定~
后三者可以去自动选择学习率~ 且速度快~ 高级优化
②Example
octave实现（略）
6-7、逻辑回归——多分类问题，one-vs-rest（此前为二分类问题）
分析：one-vs-rest本质上是多个而分类问题，分别训练多个分类器，从而得出多个h；
测试阶段，给定输入样本，经过不同的分类器目标函数h，可得出不同的估计概率，概率大的分类器即为可能属于的类。