逻辑回归是假设数据服从伯努利分布（二项分布），通过极大似然函数的方法，运用梯度下降来求解参数，达到数据的二分类的目的。
是经典的二分类算法，是处理因变量是分类变量的回归问题。
1.1 对数几率回归
线性模型是回归问题，如果要处理分类问题的话，该如何？
答案在广义线性模型中，只需要找一个单调可微函数将分类任务的真实标记y与线性回归模型的预测值联系起来，
二分类，其输出标记为 ，而线性回归产生的预测值
，我们只需将实值
转换为
值就可以了。最理想的是“单位阶跃函数”，即：
单位阶跃函数
单位阶跃函数和对数几率函数如下所示：
单位阶跃函数和对数几率函数
预测值大于0，则判定为正例；小于0，则判定为负例；为0，则可以任意定义。
由于单位阶跃函数不连续所以不能直接定义为线性回归的函数。所以我们希望找到能在一定程度上近似单位阶跃函数的“替代函数”，并且单调可微，所以就找到了对数几率函数。
对数几率函数
对数几率函数是一种“Sigmoid函数”，将其代入线性回归有：
将上式变换得：
将视为作为正例的相对可能性，则是其反例的可能性，两者的比值称为“几率”，反映了作为正例的相对可能性，对几率取对数则得到“对数几率”。
1.2极大似然求解
如何求解和
呢？我们可以将
视为后验概率估计
，
则上式变换为 。
得：
于是可以通过极大似然法来估计和
最大似然函数
则目标函数可写为：
对数几率回归的目标函数
对目标函数求解得到最优参数。
