简单介绍下LR
解析：
@rickjin：把LR从头到脚都给讲一遍。建模，现场数学推导，每种解法的原理，正则化，LR和maxent模型啥关系，lr为啥比线性回归好。
有不少会背答案的人，问逻辑细节就糊涂了。 原理都会? 那就问工程，并行化怎么做，有几种并行化方式，读过哪些开源的实现。
还会，那就准备收了吧，顺便逼问LR模型发展历史。 虽然逻辑斯蒂回归姓回归，不过其实它的真实身份是二分类器。
先弄清楚一个概念：线性分类器。
给定一些数据点，它们分别属于两个不同的类，现在要找到一个线性分类器把这些数据分成两类。 如果用x表示数据点，用y表示类别（y可以取1或者-1，分别代表两个不同的类），一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面（hyper plane），这个超平面的方程可以表示为（ wT中的T代表转置）： [object Object] 可能有读者对类别取1或-1有疑问，事实上，这个1或-1的分类标准起源于logistic回归。 Logistic回归目的是从特征学习出一个0/1分类模型，而这个模型是将特性的线性组合作为自变量，由于自变量的取值范围是负无穷到正无穷。
因此，使用logistic函数（或称作sigmoid函数）将自变量映射到(0,1)上，映射后的值被认为是属于y=1的概率。 假设函数 [object Object] 其中x是n维特征向量，函数g就是logistic函数。 而[object Object]的图像是 [object Object] 可以看到，将无穷映射到了(0,1)。 而假设函数就是特征属于y=1的概率。 [object Object]
从而，当我们要判别一个新来的特征属于哪个类时，只需求即可，若大于0.5就是y=1的类，反之属于y=0类。
