DeepLearning中另外一个常见的问题就是分类问题，这里以二分类为例。
*做二分类可不可以直接当作回归问题来处理呢？例如人为规定 calss1 对应输出值为1， class2对应值为-1，然后以均方误差为loss，做损失函数，这样直接train是可以train出来的，但是这样有一个问题，回归损失函数会惩罚比较大的正确项，例如一个数得出来结果是10远大于1，但是它和1明显是一类，而用回归做的话就会尽量减小这一loss，导致出现错误的结果，如下图：本来绿色的线是正确的分类，但是因为回归的惩罚会导致偏向紫色。 这是因为回归和分类的判断标准不一样。
分类流程
- 这里的model直接用的贝叶斯求出概率
- 假设x服从高斯分布，此时要求出 μ，σ 用最大似然估计使得这个高斯分布所采样出来的这些点的概率最大
- 求解最优的μ，σ。μ 就是一组书的均值mean ， μ，σ都有对应公式，也可以根据微分来求，如下图：
分类与回归的转化
这里用图片截图出所有的公式推导，可以从第一张图直接跳到最后一张图看结论
也就是说分类函数经过一系列的转换，最终变成了线性函数，即 P(C1|X) = σ(w * x + b),之前的方法我们要求五个参数才可以计算到最终结果，现在我们可以直接计算w，b就可以得到最终的概率！此时就变成了回归问题。然后就有了后面的逻辑回归，用交叉熵求出w，b
同时以上公式也说明了为什么 σ函数可以用来分类!