上回说到既然不能用直线，那何不尝试一下用其他的线来拟合数据？
假设表示
sigmoid函数引入
其中0表示负向类，1表示正向类，则输出为0≤hθ(x)≤1
hθ(x)≥0.5，则预测y=1,既y属于正例
hθ(x)<0.5，则预测y=0,既y属于负例
这是线性回归无法做到的，由此引入Sigmoid Function
决策边界
假设函数为线性
设参数θ是向量[-3 1 1], 将具体数据带入下方公式计算
假设函数为非线性
小小补充
下次将会介绍逻辑回归的代价函数，逻辑回归的代价函数将不同于线性回归，但是目的都是让损失最小化，回归本元其实思路是一样的。其实线性回归和逻辑回归的梯度下降数学推导并没有很复杂，动动手推一遍将会加深不少理解。从数学角度去理解这个过程其实是一个相当明智的。
