想必大家都記得的邏輯迴歸中我們最大化的對數似然函數（可以看作損失函數的負函數）的樣子大概長成下面兩種形式：
1.
2. 
其中各符號用的比較亂具體的含義這裏不再詳述，大家看過邏輯迴歸應該都知道。
但是在 sklearn 官網給出的損失函數確實這樣：
3.
網址如下http://scikit-learn.org/stable/modules/linear_model.html#logistic-regression，忽略第一項正則項，第二項和我們以前的認知怎麼不一樣！！如果 y=0 的話，那這項的損失函數就是常數跟參數w完全沒有關係了，也就是說損失函數不受標籤爲 0 的樣本的影響，這很不合理啊！讓我一度感覺非常鬱悶。
最終經過多方查找，找到了答案。因爲在 sklearn 上標籤 y 的取值爲{-1，1}（官網完全沒有提），就是這麼簡單就問你怕不怕。這樣我們可以推導出兩者其實是一會事。
首先，明顯的一點是1式和2式中 y=0 的值和3式 y=-1的損失是差一個負號的；
其次 ，1式和2式中 y=1 的值和3式 y=1的損失也是差一個負號的。推導如下：
因爲需要最大化的對數似然和此處的損失函數正好相反，所以最終兩者的損失是一致的。