逻辑回归（Logistic Regression）是一种用于解决二分类（0 or 1）问题的机器学习方法
由于Sigmoid函数的函数性质：作用域是负无穷到正无穷，值域是(0,1)，很适合二分类的场景，式子如下所示：
假设我们预测函数为y = θ * x1 + b
决策边界分为线性决策边界和非线性决策边界，如图所示：
上面两张图很清晰的解释了什么是决策边界，决策边界其实就是一个方程，在逻辑回归中，决策边界由 θ^Tx=0 定义。
那么，问题： 如何确定Sigmoid函数的决策边界是线性还是非线性的？
另y = 1 - y,得到θ^Tx + b = 0, 线性
我们把Sigmoid函数用联合概率分布函数表达出来，可以写成以下公式：
P(y=1|x;θ)=hθ(x)
P(y=0|x;θ)=1−hθ(x)
似然函数为；
L(θ)=∏i=1mP(y(i)|x(i);θ)
对其通过log取对数简化，得到log似然函数：
l(θ)=log(L(θ))=∑i=1my(i)log(hθ(x(i)))+(1−y(i))log(1−hθ(x(i)))
L(θ)求最大值，转化为可以在l(θ)前加个负号，求式子后面的最小值
通过求导，梯度下降优化θ
＊如何证明log似然函数是凸函数？
有空手写求偏导一下
