添加--ml.md逻辑回归介绍

docs/ml.md

@@ -61,4 +61,37 @@
             缺点:
                 线性假设：假设自变量和因变量之间存在线性关系，可能不适用于非线性数据。
                 对异常值敏感：异常值可能对模型产生较大影响。
-                多重共线性：自变量之间高度相关时，模型表现可能不佳。
+                多重共线性：自变量之间高度相关时，模型表现可能不佳。
+
+逻辑回归:基于线性回归,引入sigmoid函数来将线性回归的连续值映射到01之间.
+    原理:
+        同逻辑回归,最后采用sigmoid函数将连续值映射到01之间,根据设定的阈值来划分正负样本,或者使用预测的值作为其发生概率.
+
+    目标:
+        最大化似然函数(最小化对数损失函数)
+
+        也就是真的真,假的假.
+    适用场景:
+        二分类问题：
+            垃圾邮件检测：判断邮件是否为垃圾邮件。
+            疾病诊断：判断患者是否患有某种疾病。
+            信用评分：判断客户是否会违约。
+        多分类问题（通过扩展）：
+            手写数字识别：识别手写数字（0-9）。
+            图像分类：将图像分类到多个类别中。
+        概率预测：
+            客户流失预测：预测客户流失的概率。
+            点击率预测：预测广告点击的概率。
+        解释性模型：
+            特征重要性分析：通过系数大小判断特征对结果的影响。
+            因果关系分析：分析自变量对因变量的影响。
+    优缺点:
+        优点
+            简单易懂：模型结构简单，易于理解和实现。
+            计算高效：训练和预测速度快，适用于大规模数据。
+            解释性强：系数直接反映自变量对因变量的影响。
+            概率输出：提供概率估计，便于后续决策。
+        缺点
+            线性决策边界：假设自变量和因变量之间存在线性关系，可能不适用于非线性数据。
+            对异常值敏感：异常值可能对模型产生较大影响。
+            多重共线性：自变量之间高度相关时，模型表现可能不佳。