西瓜书机器学习课程第三章的学习笔记：梯度下降与牛顿拉夫森方法下的逻辑回归（一）

本章旨在探讨非技术性的逻辑回归方法（尽量降低数学复杂度）。在深入研究后发现许多细节仍不够清晰，在此记录个人理解和思路。

1.什么是分类任务？

参考《Pattern Recognition and Machine Learning》中的实例

2. 什么是逻辑回归？

Logistic Regression被定义为一种基于统计学的概率估计方法。它是一种将统计学分析应用于决策树的一种技术。Logistic Regression主要用于解决二元分类问题（即结果变量取两个离散值的情况）。在机器学习领域中，Logistic Regression被视为一类核心工具，并与其他一系列经典的统计学方法共同构成了"Regression Family"。例如，在处理一组数据时, 我们可能需要考虑个体特征如身高、体重等输入变量, 并根据这些特征预测某个连续型目标变量, 如房价等值量指标。多元线性回歸模 型能够预测连续型变量（例如体重75kg），而分类模型则需要处理离散型结果变量（如某种疾病的存在与否）。相比之下，在这种情况下, 线性模型无法直接适用于分类问题。