第一步--定义函数集
x 和 w 都是向量，可以从朴素贝叶斯推出来这个公式
)
第二步--定义函数的好坏
假设每个样本都是基于$$f_{w, b}(x)=P_{w, b}\left(C_{1} \mid x\right)$$ 该函数，所以可以得到训练数据的可能性函数，使之最大的参数就是最好的参数。
)
将函数取log，并且转化为求最小值的问题，将c1,c2换为取值为0,1的y1, y2
)
经过转换得到两个变量的交叉熵公式，也可以理解为损失函数，将其最小值最为优化的目标
)
第三步--找到最好的函数
对损失函数求导，得到变形
)
对 w 求偏导
)
逻辑回归和线性回归的对比
)
Discriminative v.s. Generative
采用概率模型找到\(\mu\) 和 协方差的方法称为生成法，通过逻辑回归直接找到w 和 b的方法称为discriminative，
)
Multi-class Classification
)