1.概述
Lineage逻辑回归是一种简单而又效果不错的分类算法
什么是回归：比如说我们有两类数据，各有50个点组成，当我门把这些点画出来，会有一条线区分这两组数据，我们拟合出这个曲线（因为很有可能是非线性），就是回归。我们通过大量的数据找出这条线，并拟合出这条线的表达式，再有新数据，我们就以这条线为区分来实现分类。
下图是一个数据集的两组数据，中间有一条区分两组数据的线。
2 算法思想
Lineage回归分类算法就是将线性回归应用在分类场景中。
在该场景中，计算结果是要得到对样本数据的分类标签，而不是得到那条回归直线。
2.1 算法图示
1)算法目标（）？
大白话：计算各点的y值到拟合线的垂直距离，如果
距离>0， 分为类A
距离<0， 分为类B
2)如何得到拟合线呢？
大白话：只能先假设，因为线或面的函数都可以表达成
y(拟合)=w1x1 + w2x2 + w3*x3 + …
其中的w是待定参数
而x是数据的各维度特征值
因而上述问题就变成了 样本y(x) - y(拟合) >0 ? A : B
3)如何求解出一套最优的w参数呢？
基本思路：代入“先验数据”来逆推求解
但针对不等式求解参数极其困难
通用的解决办法，将对不等式的求解做一个转换：
- 将“样本y(x) - y(拟合) ”的差值压缩到一个0~1的小区间，
- 然后代入大量的样本特征值，从而得到一系列的输出结果；
- 再将这些输出结果跟样本的先验类别比较，并根据比较情况来调整拟合线的参数值，从而是拟合线的参数逼近最优
从而将问题转化为逼近求解的典型数学问题
2.2 sigmoid函数
上述算法思路中，通常使用sigmoid函数作为转换函数
函数表达式：
注：此处的x是向量
函数曲线：
之所以使用sigmoid函数，就是让样本点经过运算后得到的结果限制在0~1之间，压缩数据的巨幅震荡，从而方便得到样本点的分类标签（分类以sigmoid函数的计算结果是否大于0.5为依据）
3 算法实现分析
3.1 实现思路
算法思想的数学表述
- 把数据集的特征值设为x1，x2，x3…
- 求出它们的回归系数wi
- 设z=w1x1+w2x2… ，然后将z值代入sigmoid函数并判断结果，即可得到分类标签
问题在于如何得到一组合适的参数wi？
通过解析的途径很难求解，而通过迭代的方法可以比较便捷地找到最优解
简单来说，就是不断用样本特征值代入算式，计算出结果后跟其实际标签进行比较，根据差值来修正参数，然后再代入新的样本值计算，循环往复，直到无需修正或已到达预设的迭代次数(注：此过程用梯度上升法来实现)。
3.2梯度上升算法
算法中求解的数据理论基础，听起来高大上，数学运算较高级，但定性理解起来其实并不是太难。
通俗解释：通过小步前进——》调整方向——》继续小步前进——》最终逼近最优解
梯度上升是指找到函数增长的方向。在具体实现的过程中，不停地迭代运算直到w的值几乎不再变化为止，如图所示：
