原理：二项logistic回归模型是由条件概率分布P(X|Y)表示，形式为参数化的logistic分布（实际上是一个sigmoid函数）。通过监督学习的方式来估计模型参数。然后比较两个条件概率的大小，将样本分到概率值较大的那一类。

logistic模型的特点：一个事件的几率是指该事件发生的概率与该事件不发生概率的比值，如果时间发生的概率为p，则该事件的几率为p/(1-p)，该事件的对数几率为log(p/(1-p)).在logistic回归模型中，输出Y=1的对数几率是输入x的线性函数，即输出Y=1的对数几率是有输入x的线性函数表示的模型，也就是logistic模型。

模型参数估计：应用极大似然估计模型参数，使用梯度下降的方法进行学习。使用随机梯度下降占用更少的资源，随机梯度下降是一个在线算法，它可以在新数据到来时就完成参数更新，而不需要读取整个数据集来进行批处理运算。

优点：计算代价不高，易于理解和实现；

缺点：容易欠拟合，分类精度可能不高；