对于特征(x=(x_1,x_2,..,x_d))来说，我们可以计算器加权“风险分数”$$s=sum_{i=0}^d w_ix_i$$
但这是一个实数领域的数值，我们想把其映射到0到1之间来表示不同类别的概率，则可使用下面sigmoid函数：
sigmoid函数公式是( heta(x)=frac{1}{1+e^{-x}})，把(w^Tx)带入得(f(x)=frac{1}{1+e^{-w^Tx}})
知道了函数形式，下面要求逻辑回归函数的损失函数，我们的函数等价于(f(x)=P(+1|x))。假设我们的数据集为(D={(x_1,-1),(x_2,1),...,(x_N,1)}),那么这个数据集出现的几率是(P(x_1)P(-1|x_1)P(x_2)P(1|x_2)...P(x_N)P(1|X_N)),那么f(x)产生这样一个数据集的可能性为 (P(x_1)h(x_1)P(x_2)(1-h(x_2))...P(x_N)(1-h(x_N))),如果h和f是相近的，那么h对数据集的概率应该和f是相近的，而由于f的数据集是已经出现的，那么根据大数定律则可认为f产生的数据集概率是比较大的。
那么，最大化
等价于(max_wlikelihood(w)=prod_{n=1}^N heta(y_nw^Tx_n))，两边同时取对数得(max_wlog likelihood(w)=sum_{n=0}^Nln heta(w^Tx_ny_n)),由于我们一直求的都是极小值，所以对其做个转化(min_wlog likelihood(w)=sum_{n=0}^N-ln heta(w^Tx_ny_n))，由于( heta(s)=frac{1}{1+exp^{(-s)}})，带入得$$min_wfrac{1}{N}sum_{n=1}Nln(1+exp(-y_nwTx_n))$$,(ln(1+exp(-y_nw^Tx_n)))可被称作是逻辑回归的单点误差，即(err(w,x,y) = ln(1+exp(-y_nw^Tx_n)))。
我们的目标是要最小化误差函数，即(min_wE_{in}(w)=frac{1}{N}sum_{n=1}^Nln(1+exp^{(-y_{nw^Tx_n})})),对两边求导得：