一、前言简介
我相信你一定听过一个说法，那就是机器学习模型可以被视为函数的一种表示方式。它们通常是由多个函数组成的，这些函数通过参数连接在一起。我们让机器从数据中提取模式、规律和关联，然后使用这些信息来做出预测、分类、聚类等任务。所以从本质上来说，在机器学习中我们其实就是要找一个超级函数，我们已知的数据就是输入的参数，它通过算法和统计方法使计算机能够从大量的数据中学习，通过逼近拟合真实的超级函数，来根据学习到的知识做出决策或执行任务。
以 classification（分类）任务来说，机器学习就是通过一堆训练集，然后根据 loss function 来查找到最拟合逼近真实函数的求解函数 func()，从而实现分类的输出。
所以说嘛，机器学习也没有那么难~（bushi，你可以秒懂它。
二、Logitic Regression（逻辑回归）和 Neuron Network（神经元网络）
我们还是以上面的分类问题类进行举例，在分类方法中，需要了解逻辑回归的概念。逻辑回归（Logistic Regression）虽然名字中带有"回归"一词，但实际上它是一种用于分类问题的统计学习方法，而不是回归问题。逻辑回归用于预测二分类问题，即将输入数据分为两个类别中的一个。
逻辑回归通过将线性函数的输出映射到一个介于0和1之间的概率值，来表示输入数据属于某个类别的概率。这个映射使用了逻辑函数（也称为sigmoid函数），它具有S形的曲线，这使得模型的输出在0和1之间变化。逻辑回归的公式如下：
其中，P(Y=1|X) 是给定输入特征 X 条件下属于类别 1 的概率，beta_0, beta_1, beta_n 是模型的参数，X_1, X_2, X_n 是输入特征。模型的目标是通过调整参数，使得预测的概率尽可能接近实际观测值。在训练过程中，逻辑回归使用最大似然估计等方法来找到最佳的参数值，以使模型的预测结果与实际观测值之间的差异最小化。一旦训练好了逻辑回归模型，它可以用于预测新的数据点所属的类别。
那这个分类模型函数中怎么求解参数 beta_0, beta_1....beta_n 的呢？这里其实就是模型训练方法的求解，一般来说针对逻辑回归问题都是使用最大似然估计，来进行拟合确定曲线。
举个
标签：机器,入门,梯度,分类,学习,参数,就是,函数 From： https://www.cnblogs.com/blackbinbin/p/17662270.html