对数机率回归不是回归，是分类。
1.对数机率回归的形式 由线性回归的y=WX转化为 y_pre=sigmoid(WX)即是对数机率回归
2.对数机率回归的名字来由（对数机率优化的本质）：
2.1由于上述1中的优化目标是希望预测y_pre=即sigmoid(WX)尽可能等于分类标记y
2.2由sigmoid函数可以得到，即希望WX尽可能等于ln(y/(1-y))。
2.3由于预测目标y为1时是正例，y为0时是负例，因此y的值可以视为样本为正例的概率，同时1-y即可以视为样本为负例的概率。
2.4另y/(1-y)即正例概率与负例概率的比值（一个相对概率），通常称为机率，而ln(y/(1-y))则称为对数机率概率
综合2.2、2.4说明对数机率回归的目标是使WX尽可能等于对数机率，这就是对数机率回归名字的来由。
3.如何进行具体的最优化
3.1对于任意样本，预测值为正例的概率为sigmoid(WX),预测值为负例的概率为1-sigmoid(WX)
3.2我们希望对于正例，我们希望最大化预测值为正例的概率sigmoid(WX),对于负例，我们希望最大化预测值为负例的概率1-sigmoid(WX)，综合我们希望最大化 Z=y*sigmoid(WX)+(1-y)*(1-sigmoid(WX)).也可以写成y*y_pre+(1-y)*(1-y_pre)
3.3通过梯度下降法和牛顿法可以进行基于该损失函数的优化
注：3.2中的损失函数也可以使用其他损失函数如mae、mse代替。即Z=mse(y,y_pre)