1、概述
现在开始学习算法了，从线性回归和逻辑回归开始。
2、线性回归概念
关于回归和分类的概念，我们在TensorFlow入门笔记第八讲有说过，这里直接复制过来，
分类问题：分类问题希望解决的是将不同的样本分到事先定义好的类别中，比如判断一个零件是否合格的问题就是一个二分类问题。手写体数字识别问题是一个十分类问题（0～9十个数字）。
回归问题：回归问题解决的是对具体数值的预测。比如房价预测、销量预测等。这些问题所需要预测的不是一个事先定义好的类别，而是任意实数。解决回归问题一般只有一个输出节点，这个节点的输出值就是预测值。
3、线性回归示例
现在来举例，假设银行贷款的额度有某个算法，每个人贷款的额度只取决于他的工资和年龄，
那么，年龄（X1）和工资（X2）就是两个“特征”，预测贷款额度（Y）就是“标签”。
我们的目的是找到一条最优的拟合曲线，根据年龄和工资去预测贷款额度。
4、最小二乘法
假设θ1是年龄的参数，θ2是工资的参数，那么，得到拟合曲线的公式为，
真实值和预测值之间会存在一定差异，我们用ε来表示误差，则对于每个样本，
误差ε(i)是独立的，并且服从均值为0，方差为θ2的正态分布。
由于误差服从高斯分布，得，
下面先来说一下似然函数的概念，在数理统计中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。似然性就是用于在已知某些观测所得到的结果时，对有关事务的性质的参数进行估计。
也就是，什么样的参数，跟我们的数据组合后，恰好是真实值。将上面的公式带入，得到，
上式为何要进行一个累乘？因为θ参数要满足所有的样本。因为累加比累乘容易计算，又由
所以，对上式求对数，得到对数似然，式子如下，
由于
和
是常量，而我们希望似然函数越大越好，那么，就希望
越小越好，上式又称为最小二乘法。
还没完事啊，我们现在已经将问题简化到求最小二乘法的最小值，怎样求呢？让它偏导等于0不就是了嘛。先将最小二乘法展开，
对其求偏导，
得，
那么我们怎么评估预测值与真实值的差距呢？一般常用R2来评估，式子如下，
R的值越接近1，说明模型拟合的越好。
5、梯度下降法
TensorFlow中有讲过梯度下降法，其实它也是寻找一个参数θ使得J(θ)最小。最小二乘法的θ不一定有解，所以一般机器学习都是用梯度下降法，一步一步的迭代训练，经过大量的迭代以后，找到最优解。
这里说一下使用梯度下降常用的三种方法：
批量梯度下降：每次迭代都考虑所有样本，这样做容易得到最优解，但是速度很慢。
随机梯度下降：每次找一个样本，这样迭代的速度很快，但是不一定每次都朝着收敛方法，效果比较差。
小批量梯度下降法： 每次迭代选择一小部分数据来算，这样就达到了一个速度和效果的平衡，我们在TensorFlow中训练就是每次一个batch数据，一般来说，batch大一点，效果会比较好，但是实际应用中也要考虑内存和效率。
学习率的话，Tensorflow讲过了就不多说了，一般设置的小些，如果不能收敛或者收敛效果不好，可以试着将学习率再设置更小。
6、逻辑回归
逻辑回归其实是个经典的二分类算法。
我们从Sigmoid函数讲起，公式如下，
Sigmoid函数其实我们在Tensorflow第八讲的时候有讲过，在那一讲中，它是作为神经网络的激活函数。
我们再来看一下这个函数，它的变量取值是任意实数的，但是它的值域却为[0,1]。这样，我们就可以将线性回归中得到的预测值映射到Sigmoid函数中，这样就完成了从值到概率的转换，这个不就是分类任务了吗？我们将线性回归的预测值带入，得到，
对于二分类任务，有，
整合上式得到，
上式中，y=0或y=1.
对上式求似然函数，则有，
求对数似然数，则有，
因为上式要应用梯度上升求最大值，我们引入
将其转化为梯度下降任务，然后对上式求偏导得，
得到上式偏导以后，我们就可以用它来更新参数了，
上式中，α其实就是更新的步长，
是更新的方向，
说明要综合考虑所有的m个样本，其实就是一个小的batch。
