吴恩达机器学习笔记2——logistic回归2
1. 代价函数
解释： 在输出的预测值是h(x)，实际标签是y的情况下，我们希望学习算法付出的代价。
然而，这个代价函数在线性回归里可以，很好用。
但是在logistic回归中，就并不适用，会出现一些问题。
实际上，用这个代价函数的话，会变成关于θ的非凸函数。
因为h(x)本身就是非线性，再去平方加和，更是非线性，就可能会使得代价函数的图形变为下图左边
这种图用梯度下降算法的话，可能会找到好多局部最优，但并不一定是全局最优。
我们是希望右图这种，可以保证使用梯度下降法会收敛到该函数的全局最小值。
那么我们如何找到别的代价函数是凸函数，并且当使用梯度下降算法时，算出来的是全局最优，能够找到全局最小值？
logistic回归的代价函数
解释这个代价函数当y=1的情况:
h(x)取值在[0,1] ，是预测值
y=1 是实际的分类情况
这个图： 当h（x）是1 时，说明完全分类正确，代价函数为0
吴恩达更加详细的解释在下图：
如果我们预测这个病人得癌症的概率是0，但是他实际上真的得癌症了，那么我们需要付出非常非常大的代价。