逻辑回归(logistic regression)part1统计学相关，最大似然估计法（Maximum Likelihood Estimate，MLE）与逻辑回归的计算原理

相比于线性回归，逻辑回归从概率层面建模，那么因为概率的多少可以用于判断他属不属于某种情况，比如害虫报告的发现次数判断它有没有被消灭的概率，故一般用于二分类(已消灭或尚未消灭)

那么问题来了，如何看逻辑回归是更好地对数据进行拟合呢？
由此引入一个概念，最大似然法（Maximum likelihood method）
极大似然估计方法（Maximum Likelihood Estimate，MLE）也称为最大概似估计或最大似然估计，是求估计的另一种方法
原理：
它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是，一个随机试验如有若干个可能的结果A，B，C，… ，若在一次试验中，结果A出现了，那么可以认为实验条件对A的出现有利，也即出现的概率P(A)较大。极大似然原理的直观想法我们用下面例子说明。设甲箱中有99个白球，1个黑球；乙箱中有1个白球．99个黑球。现随机取出一箱，再从抽取的一箱中随机取出一球，结果是黑球，这一黑球从乙箱抽取的概率比从甲箱抽取的概率大得多，这时我们自然更多地相信这个黑球是取自乙箱的。一般说来，事件A发生的概率与某一未知参数
有关，
取值不同，则事件A发生的概率
也不同，当我们在一次试验中事件A发生了，则认为此时的
值应是t的一切可能取值中使
达到最大的那一个，极大似然估计法就是要选取这样的t值作为参数t的估计值，使所选取的样本在被选的总体中出现的可能性为最大。
极大似然估计，只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。

接下来就是对数据是什么分布进行可能性判断
比如是正态分布/高斯分布的概率
是γ分布的概率
自然就是最可能性最大数据分布情况是拟合度最好的
比如数据符合正态分布那么就要一次一次试，mean，std分别试，试到最好的为止

简单来说，该方法用于寻找最优的分布的最优情况从而锁定最符合的参数(比如正态分布对应的均值与标准差)

然后得出数据的概率，从而达到分类的目的