预测数值型数据：回归

举个例子，假如你最近在考虑要不要跟一个人谈恋爱，这件事已经让你纠结了好一阵子，最后你想出了一个办法，就是征求一下父母、朋友的意见然后再考虑一下自己对对方的印象，于是有了下面的公式：父母×0.70+朋友×0.10+印象×0.15=你的决定，这个公式就是所谓的回归方程，其中0.70、0.10、0.15被称作回归系数，求这些回归系数的过程就是回归。回到你谈恋爱这件事，有一天你发现你不喜欢你现在的对象了，想重新找一个，恰巧有一个家伙追求你，这时候你可以你把影响你决定的那几个因素带入上面的公式，你的决定就轻而易举的做出来了。好了，现在有一个问题，你怎么知道0.70、0.10、0.15这些系数是不是对于你的决定是最好的一组系数呢?如果还有一组系数是：0.65、0.25 、0.05并且用这一组系数得到的决定似乎也不错。试想如果有一组系数（x,y,z）能让你的决定与实际情况下做出的决定最接近，那么不管以后你遇到哪一种人，只要把上述因素带入回归方程，那么最正确的决定立即就有了，你也不用再因此烦恼了。如果有人问你怎么选择男女朋友，你还可以把这个公式告诉他。

好了，现在开始看logistic回归和sigmoid函数。机器学习实战第五章有一句话，假设现在有一些数据点，我们用一条直线对这些点进行拟合，这个拟合过程就称作回归。