逻辑回归之决策边界 logistic regression -- decision boundary
logistic回归虽然带着回归两字却和线性回归有很大的区别，在前几篇博客中完整的介绍了线性回归。线性回归主要用于预测问题，其输出值为连续变量，而logistic回归主要用于分类问题，其输出值为离散值。logistic回归可以用于多元分类问题，也可以用于二元分类问题，但二元分类更为常用。因此本文只介绍二元分类的应用。
先来看一些logistic回归的基本东西，logistic回归的假设函数为：
，
.因此
， .因此其中
称为S型函数（sigmoid function)或者逻辑函数(logistic function)，其函数图像如图所示：
称为S型函数（sigmoid function)或者逻辑函数(logistic function)，其函数图像如图所示：
从函数图像中很容易观察出
，即
，即 举个例子:对于肿瘤数据集，假设其中一个特征为肿瘤的尺寸，结果为{恶性，良性}。假设
，
即肿瘤为恶性的概率为0.7，因此
,看不懂什么意思的强烈建议去补下概率论，即在给定
的条件下y=1的概率。对于二元分类问题，
。logistic回归基本的东西就先介绍到，下面介绍决策边界(decision boundary)，所谓决策边界就是能够把样本正确分类的一条边界，主要有线性决策边界(linear decision boundaries)和非线性决策边界(non-linear decision boundaries)。注意：决策边界是假设函数的属性，由参数
决定，而不是由数据集的特征决定。下面主要举一些例子，形象化的来说明线性决策边界和非线性决策边界。
， 即肿瘤为恶性的概率为0.7，因此 ,看不懂什么意思的强烈建议去补下概率论，即在给定的条件下y=1的概率。对于二元分类问题，决定，而不是由数据集的特征决定。下面主要举一些例子，形象化的来说明线性决策边界和非线性决策边界。先看一个线性决策边界的例子：（注：图片来源：ng的machine learning课）
这个应该很好理解了，至于为什么predict y=1 if 
请滚动鼠标回看上面的公式。
再来看一个非线性决策边界的例子：
决策边界先介绍到这，至于如何自动选择参数 ，将在下篇博客中介绍，请大家关注。
，将在下篇博客中介绍，请大家关注。