1. LR原理
逻辑回归是二分类模型，本质是线性分类器（wx+b=0）。但是，它将特征的线性组合作为自变量，然后利用sigmoid函数将其映射到（0，1）上，映射后的值是y=1的概率。
LR由条件概率分布P（Y|X）表示，Y=0,1，则有：
p(y=1|x)=exp(wx+b)/(1+exp(wx+b))
p(y=0|x)=1/(1+exp(wx+b))
所以由对数几率:
log(p)=log(p/(1-p))=wx
由上，我们可以得到输出y=1的对数几率是输入x的线性函数（即为逻辑斯蒂回归模型）
观察到：线性函数的值越接近正无穷，概率值就越接近1;线性函数的值越接近负无穷，概率值越接近0。
逻辑回归就是一种减小预测范围，将预测值限定为[0,1]间的一种回归模型。LR分类范围需要在[0,1]之内，在x=0附近比较敏感，在z>>0或z<<0处，都不敏感。而线性回归LR'在整个实数域内敏感度一致。
2. 模型参数估计
在统计学中，常常使用极大似然估计法来求解，即找到一组参数，使得在这组参数下，我们的数据的似然度（概率）最大。
则有：L（w）= (yi*logp(y=1|xi)+(1-yi)*(1-log(y=1|xi)))
求L（w）最大值，得到w的估计值
在逻辑回归模型中，我们最大化似然函数和最小化对数似然损失函数实际上是等价的。逻辑回归学习中通常采用的方法是梯度下降法 和 牛顿法。
3. 逻辑回归正则化
当模型参数过多时，往往会出现过拟合现象，为了避免过拟合，我们需要在损失函数（经验风险项）中引入正则化项（结构风险最小化的一种实现形式）。
L1范数：是指向量中各个元素绝对值之和，也有个美称叫“稀疏规则算子”（Lasso regularization）。那么，参数稀疏有什么好处呢？
L1可以自动进行特征选择。一般情况下，很多特征x与y没有多大联系。当我们在损失函数中考虑到这些特征时，虽然可以降低训练误差，但是当新的样本出现，这些没有携带多少信息的特征就会干扰预测正确结果y。因此引入了稀疏规则算子进行特征选择，去掉这些没多大信息的特征，即把这些特征的权重置为0。
L2范数：它有两个美称，在回归里面，有人把有它的回归叫“岭回归”（Ridge Regression），有人也叫它“权值衰减”(weight decay)。
L2可以解决过拟合问题。相比于L1将没有信息的特征权重置为0，L2是将那些没有信息的特征权重接近于0，而不等于0。我们知道：模型参数越小，表示模型越简单，就越不容易过拟合。为甚么模型参数越小，模型就越不容易过拟合？可能是因为，参数越小，这个特征对模型预测的影响越小，不会出现偏见情况。
结合下图，左边为L1，右边为L2，圆形为等高线：
上图中实心的黑点是真实的损失函数（不带有正则项的部分），我们叫做原问题的最优解。
红圈就是系数、在原问题下可能的解的范围，蓝色的实心圈是正则项约束的可能的解的范围。如果两个函数要是有共同的解，那么在几何意义下或者说从几何图形上来看，这两个函数的图像所在范围是要有共同交点或者要有交集。由于Lasso Regression或者Ridge Regression的整个Loss Function也就是我们的目标函数是由原问题和正则项两部分构成的，那么如果这个目标函数要有解并且是最小解的话，原问题和正则项就要有一个切点，这个切点就是原问题和正则项都满足各自解所在范围下的共同的解。
当红圈从图中的实心黑点不断往外变化与蓝色实心圈相切的时候，在L1正则情况下，我们第一次解相遇在坐标轴上的点（即有某个特征的权重为0），而L2第一次相遇的点则更趋向于接近坐标轴的点（特征权重接近0），这就是为什么L1可以导致稀疏。
4. 逻辑回归与最大熵模型MaxEnt（softmax）的关系?
LR与MaxEnt都是对数线性模型，LR解决二分类问题，MaxEnt是其扩展模型，解决多分类问题。
逻辑回归跟最大熵模型没有本质区别。逻辑回归是最大熵对应类别为二类时的特殊情况
指数簇分布的最大熵等价于其指数形式的最大似然。
二项式分布的最大熵解等价于二项式指数形式(sigmoid)的最大似然；
多项式分布的最大熵等价于多项式分布指数形式(softmax)的最大似然。
5. 优缺点及适用场景
优：计算代价低，易于理解与实现；防止过拟合和欠拟合。
缺：容易欠拟合，分类精度不太好
适用场景：用于二分类问题， 比如垃圾邮件判断（是/否垃圾邮件），是否患某种疾病（是/否）, 广告是否点击等场景。