1.什么是分类？

2.局限性：

当样本量逐渐变大的时候，准确率会下降——>因为线性回归曲线距离我们的原点越远，预测就会开始不准确，因为 x前面的倍数就会越来越小，这就导致了样本量变大，但是那些原来靠近原点的点的结果就会可能发生改变；

3.逻辑回归模型

**和线性回归的区别就是：**方程不一样。
**效果：**能够很好地拟合数据，完成分类任务。
目的：根据数据特征和属性，计算归属于某一类别的概率P(x)，根据其概率数值判断其所属类别（应用场景为二分类问题）

3.1数学表达式：

4. 逻辑回归处理分类任务：

将x=-10和x=100带入P(x)sigmod方程，根据是否大于0.5进行具体判断

5.多因子情况的分类任务考虑：

分类任务需要考虑两个最重要的大点，第一点是概率分布函数，第二点是g(x)这个关系函数

5.1复杂分类任务的求解：

1.首先明确最小损失函数：
我们首先不再使用线性回归方程的损失函数，因为它需要连续的方程而非离散的点，故求不出极小值点，也就是求不出参数

2.整体样本的损失函数J如下所示：
min(J(θ))

而寻找θ等参数的极值本质还是梯度下降法：
本质：pi+1=pi-αf(pi)对pi求导
迁移：tempθj=θj-αJ(θj)对θj求导

6.区分类散点图：

7.如何利用sklearn得到二分类的边界函数

LogisticRegression：（逻辑回归模型）

7.1如何优化边界函数得到更加优秀的结果：

7.2评估模型的表现：

正确样本数量/总样本数量