📚 核心概念
逻辑回归（Logistic Regression）用于二分类问题。它不直接输出类别，而是输出属于正类的概率，范围在 0～1 之间。
与线性回归的关系：先算线性组合 $z = wx + b$，再通过 Sigmoid 函数压缩到概率：$P(y=1|x) = \sigma(z) = \frac{1}{1+e^{-z}}$
$$P(y=1|x) = \frac{1}{1 + e^{-(wx+b)}}$$
📈 Sigmoid 曲线
当 $z=0$ 时概率为 0.5；$z$ 越大越接近 1，越小越接近 0。
🎮 交互：二维分类与决策边界
调节权重 $w_1, w_2$ 和偏置 $b$，观察决策边界 $w_1 x_1 + w_2 x_2 + b = 0$ 如何划分两类点。
—准确率
—真正例 TP
—假正例 FP
💡 与线性回归对比
- 输出：线性回归 → 连续值；逻辑回归 → 概率（0～1）
- 损失函数：线性回归常用 MSE；逻辑回归用交叉熵
- 应用：预测房价 vs 预测邮件是否为垃圾邮件