对logistic回归分析的两重认识

logistic回归，回归给人的直观印象只是要求解一个模型的系数，然后可以预测某个变量的回归值。而logistic回归在应用中多了一层含义，它
经常应用于分类中。
第一重认识：logistic是给真正的回归结果做分类，将回归值h(x(i))带入logistic公式可得到一个p概率值，当p>0.5,判定i为1类，
当p<=0.5，判定i为另一类。这里主要利用的是logistic可以将(-non,+non)范围内的数据转化到(0,1)范围内。

第二重认识：可以整体上将其看作一个回归模型，只是求解结果在(0,1)之间。

logistic回归伪代码：
def 回归函数(w,x)：
return: h=w*x

def gradient(x,y):（这里的w更新公式的推导可在网上查找资料）
　　给 w 赋初值
　　预测值 = 回归函数(w,x)
　　for i in k:
　　　　error = 预测值-y
　　　　gradient = x*error
　　　　w = w - 学习率×gradient
return w

def predict(x):
　　y = w*x
　　if y>=0.5:
　　　　return 1
　　else:
　　　　return 0

main():
　　x = data_x
　　y = data_y
　　w = gradient(x,y)
　　predict_y = predict(待预测的x)