logistic回归性质：
一个学习算法
logistic回归应用场景：
用在监督学习中，输出y标签是0或者1时，是一个二元分类问题。
logistic回归：
输入是一个n维的特征向量X（一张图片），输出是Y帽，表示X满足条件时，Y=1的概率。
logistic回归的参数：
权重W，也是一个n维的列向量，参数b，是一个实数。
因为参数b是一个实数，为了能够相加，那么权重W要进行转置然后和特征向量相乘。
最后得到的输出范围比较大，没有意义，但我们只需要得到一个0~1的，表示概率的值，因此我们用sigmoid函数。
sigmoid函数是一个0到1的光滑曲线，0处的值是0.5.z的值如果很大，那么概率值无限接近1，z的值如果很小，那么概率值无限接近0.
因此实现logistic回归，只需要学习参数W和b。
其他形式的符号约定：
通常把W和b分开来，b代表一个拦截器。
把参数b和权重W放在一个向量θ中，向量θ是n+1维向量。
