打算每天抽点时间出来，整理1-2题
重在持之以恒。
2018.8.28
1.LR为什么用sigmoid函数。这个函数有什么优点和缺点？为什么不用其他函数？
感觉这个有点难，自己也百度了一下，很多的解释都是以结果为导向，逆着推，利用sigmoid函数的优点来进行解释，总给人的感觉是以结果推结果，这个先放下，等以后深究后，再回来写。
PS：自己写的以下是
首先我们要明白，LR是是要干什么，它最初的想法是要解决一个二元分类的问题， 输出是两个类别，而特征变量又是一些数字型的（类别性的会进行独热编码），所以借用了广义线性模型，将这些特征变量转化为一个数，在与阈值进行比较，大于阈值的分为一类，小于阈值又是一类。
好，那为什么要选sigmoid函数呢，还有没有其它的转化函数呢，其实当我们弄明白了LR要干什么之后，我们会发现，利用tanh这个转换函数，其实好像也行呀，大于0的分为一类，小于0的分为另一类，但是实际上,所以还是sigmoid的变种。
那为什么要选择sigmiod函数呢，这归因于sigmoid函数的优点，这个函数的导数非常好求，等于:
所以计算效率较高,除此以外我依稀记得在对LR的损失函数求最小值的过程中，使用了梯度下降法，其中的化简进行的那么流畅，就是得益于其导数的作用，直接消掉了非常复杂的过程。
哎，写了这么多，不知道能不能说的圆这个道理！！！
2推到下LR的cost function和梯度下降参数迭代公式
注意是推导
函数h(x)的值有特殊的含义，它表示结果取1的概率，因此对于输入x分类结果为类别1和类别0的概率分别为：
