机器学习分为有监督学习，无监督学习，半监督学习，强化学习。对于逻辑回归来说，就是一种典型的有监督学习。
既然是有监督学习，训练集自然可以用如下方式表述：
对于这m个训练样本，每个样本本身有n维特征。再加上一个偏置项x0, 则每个样本包含n+1维特征：
其中 x∈Rn+1, x0=1, y∈{0,1}
李航博士在统计学习方法一书中给分类问题做了如下定义： 分类是监督学习的一个核心问题，在监督学习中，当输出变量Y取有限个离散值时，预测问题便成为分类问题。这时，输入变量X可以是离散的，也可以是连续的。监督学习从数据中学习一个分类模型或分类决策函数，称为分类器(classifier)。分类器对新的输入进行输出的预测(prediction)，称为分类(classification).
在logistic回归详解一(blog.csdn.net/bitcarmanle…）中，我们花了一整篇篇幅阐述了为什么要使用logistic函数:
其中一个重要的原因，就是要将Hypothesis(NG课程里的说法)的输出映射到0与1之间，既：
同样是李航博士统计学习方法一书中，有以下描述： 统计学习方法都是由模型，策略，和算法构成的，即统计学习方法由三要素构成，可以简单表示为：
对于logistic回归来说，模型自然就是logistic回归，策略最常用的方法是用一个损失函数(loss function)或代价函数(cost function)来度量预测错误程度，算法则是求解过程，后期会详细描述相关的优化算法。
logistic函数求导
此求导公式在后续推导中会使用到
常见的损失函数
机器学习或者统计机器学习常见的损失函数如下：
1.0-1损失函数 （0-1 loss function）
2.平方损失函数（quadratic loss function)
3.绝对值损失函数(absolute loss function)
4.对数损失函数（logarithmic loss function) 或对数似然损失函数(log-likehood loss function)
逻辑回归中，采用的则是对数损失函数。如果损失函数越小，表示模型越好。
说说对数损失函数与平方损失函数
在逻辑回归的推导中国，我们假设样本是服从伯努利分布(0-1分布)的，然后求得满足该分布的似然函数，最终求该似然函数的极大值。整体的思想就是求极大似然函数的思想。而取对数，只是为了方便我们的在求MLE(Maximum Likelihood Estimation)过程中采取的一种数学手段而已。
损失函数详解
根据上面的内容，我们可以得到逻辑回归的对数似然损失函数cost function：
稍微解释下这个损失函数，或者说解释下对数似然损失函数： 当y=1时，假定这个样本为正类。如果此时hθ(x)=1,则单对这个样本而言的cost=0,表示这个样本的预测完全准确。那如果所有样本都预测准确，总的cost=0 但是如果此时预测的概率hθ(x)=0，那么cost→∞。直观解释的话，由于此时样本为一个正样本，但是预测的结果P(y=1|x;θ)=0, 也就是说预测 y=1的概率为0，那么此时就要对损失函数加一个很大的惩罚项。 当y=0时，推理过程跟上述完全一致，不再累赘。
将以上两个表达式合并为一个，则单个样本的损失函数可以描述为：
因为 yi 只有两种取值情况，1或0，分别令y=1或y=0，即可得到原来的分段表示式。
全体样本的损失函数可以表示为：
这就是逻辑回归最终的损失函数表达式
