【Ng《Machine Learning》学习笔记（week3）（part1）】
1，logistic函数将值域（range）挤压到0～1之间，这代表了“发生这件事的概率有多大”，越接近1越可能发生，越接近0越没可能发生。
2，一个用logistic函数处理后的θTx即分类问题的hypothesis，有：
h（x）=logistic（θTx）
3，利用logistic的图像，我们知道z=0是一个分界点，有：
z＜0:分类结果判为0
z＞0:分类结果判为1
而z=θTx，代入上面不等式，我们可以得到一条分界线（boundary），即：θTx=0这条分界线。
在视频中给的例子就是有两个特征x1、x2的情况，在直线上方是一类，直线下方是另一类。
4，本周的第三个视频刷新三观……过程是这样的：
（1）通过前两个例子告诉我们，填入logistic函数中的“z”可以说是给出了分界线的“框架”（框架的意思是，分界线方程已经确定了，就是自变量前的系数——也就是待学习参数还没给出来，需要之后学习得到。比如z=kx+b的框架就是kx+b=0，再比如z=ax²+bx+c的框架就是ax²+bx+c=0，再再比如z=ax1²+bx2²-4的框架就是ax1²+bx2²=4，这都是已经确定下来的框架，只不过那些参数a、b、c没有给出）。
比如说第一个例子里我们给了一个直线框架，第二个例子里就给了一个圆的框架。所需要做的仅仅是根据给定数据集确定那些参数，一旦参数确定，分界线也就确定下来了。
（2）在上面的基础上进行进一步延伸，我们事先可以给出一个非常复杂的框架及若干待确定参数，在参数不同的时候分界线的形状将会异彩纷呈，我记得高中的时候椭圆、双曲线和抛物线就有一个大框架可以把它们都囊括进去，下次写博客时查一下。
总之用这种方法将能通过调整参数得到各种奇形怪状的分界线，这样的分类器也就适应性更强了。
隐隐觉得和神经网络要并线了……不过差别还是有的，他这里是只有一个logistic里面套个z，z里面是个框架；神经网络logistic千千万万。