逻辑回归
简单介绍
问题的提出：
预测变量y是离散值时候该怎么处理，也就是所谓的分类问题
分类问题：
假设有一堆属性值（自变量），通过这些属性判断这个东西到底属于0分类还是1分类。 比如：通过邮件的很多属性，判断该邮件是否为垃圾邮件；判断某次交易是否为欺诈；判断肿瘤是良性还是恶性等等。
为什么使用逻辑回归而不是线性回归？直观的想法：
线性回归要求自变量和因变量均为数值型变量，取值范围为实数轴，但二分类问题的y天然不满足，只取在0到1之间，因此直接使用线性回归的方法也是不合适的，要先对其进行变换，转换到实数轴之后再用类似于线性回归的方法进行建模。
例子：通过肿瘤的大小来判断肿瘤是否为良性
用直线（线性）拟合这下图中红色X标记的样本点，在直线上的一个0.5的点为分界点，大于0.5是恶性反之是良性的。
如果还有一个样本点表示的肿瘤尺寸比较大，再用直线拟合就有问题了。通过拟合直线也可以看出，即便h(x)的值很小，但它依然可能是恶性肿瘤。这个阈值就要设置的非常小，就因为加了一个样本，使得使用直线就显得效果很差。
