了解計算的公式後要來學習如何校正logistic regression：

• Error Measure for Logistic Regression

首先複習一下前一篇的最後結論：y-hat = p(y=1|x) 在x中y=1發生的機率

=> 當y=1 時 p(y|x) = y-hat ; 當y=0 時 p(y|x) = 1-(y-bar)

整理後可以得到：

不懂就...先記起來

總之我們想要盡量的逼近我們的目標，也就是求出Max(p(y|x))，
於是想要使用單調遞增的ln()函數去盡量逼近，得出Max(ln(p(y|x)))。
就是高中學的natural log，ln(x)微分後會是1/x

同時也想要盡量減少誤差，於是這邊使用的Error Function 一樣使用ln()去計算的話 => min(ln(p(y|x)))
由此可得

套用進一開始假設的E(w1,w2,b) = -ln(p(y|x))，
p(y|x)則用剛剛整理好的公式帶入 =>

就可以得到Logistic Regression的 Error Function，也就是Cross-entropy loss function