logistic回归
核心：通过sigmoid函数或者softmax函数将线性模型拟合值映射到分类概率上，并通过最大似然或者最小化交叉熵函数来获得最优系数
优点：
1.模型简单，训练速度较快，分类的时候，计算量仅仅只和特征的数目相关
2.较好的可解释性，参数的正负、绝对值大小代表了对应特征对于预测类别的重要性
3.极好的可并行性，优化目标相对参数的凸函数有全局最优解
缺点：
1.不能用Logistic回归去解决非线性问题，因为Logistic的决策面试线性的
2.对多重共线性数据较为敏感
3.很难处理数据不平衡的问题
4.逻辑回归本身无法筛选特征，有时会用gbdt来筛选特征，然后再上逻辑回归
