逻辑回归不直接回答及格还是不及格，它先算出一个 0 到 1 之间的概率。本实验用 200 名同学的学习记录，看这个概率是怎样算出来的，模型又是怎样把自己调准的。
数据说明：200 名同学的记录是按常见规律随机生成的教学数据，不是真实成绩。
这一步看什么分数可以是任何数，概率只能在 0 到 1 之间。中间那道换算，就是 Sigmoid 曲线。
z 等于 0 时，概率正好是 0.5。z 越大，概率越接近 1，但永远到不了 1。z 是负数时，概率小于 0.5，模型就判不及格。
这一步看什么先只用一个特征：每周学习多少小时。模型要学的就是 w 和 b 两个数，它们决定了曲线的形状和位置。
w 越大，曲线越陡。b 改变时，曲线整体左右平移。机器调参数用的是第 2 章学过的梯度下降，几秒钟就能把损失降得比手动更低。
绿色竖线就是这个模型的决策边界。只有一个特征时，边界是一道门槛。
这一步看什么再加上缺课次数。模型已经用这 200 人学好了参数，你来给新同学算一算，并看清楚它的分界线长什么样。
虚线就是概率等于 0.5 的地方，线的一侧判及格，另一侧判不及格。学习时间越长、缺课越少，及格的概率越高。
不管数据长什么样，逻辑回归画出来的都是直线。圈形数据用直线分不开，准确率一下子掉了下来。第二节的支持向量机和核方法，就是为这种情况准备的。
前面三步的操作结果会自动写进报告。下面的题目按你实际看到的情况回答。