本来写得比较详细的，但是出了点意外，一夜回到解放前了。裂开
l懒得搞了，这里就留个超简略版了
4个输入特征，输出的类别有3种，分别记为0，1，2。
普通的逻辑回归或其他线性分类模型（如SVM），很适合做二分类问题，不能直接解决多分类题，因为一条线或者一个超平面只能将数据分割成两个部分。但稍稍改进即可完成多分类。
假设输出的类别有3种，分别是乔峰，段誉，虚竹，我们只需要训练3个二分类器，第一个二分类器用于判断这个人是不是乔峰，如果是输出1，不是输出0。同理，第二个二分类器用于判断这个人是不是段誉，如果是输出1，不是输出0。第三个二分类器用于判断这个人是不是虚竹，如果是输出1，不是输出0。推而广之，如果是个K分类问题，则需要训练K个二分类器，最终组合而成一个K分类器。
逻辑回归原理（写得很粗略）
多分类原理
3组参数，对应3个分类器的参数。
?如果输出的y1,y2,y3分别是(1,0,0)，则表示是类别0，如果是(0,1,0)，则表示是类别1，如果是(0,0,1)，则表示是类别2。
参数更新
这里只写出来W11的更新，其他参数的更新同理，求导也很容易。
把参数矩阵化的话表达式会变得比较简单，为了方便大家理解就不?矩阵化了。
softmax分类
这里的多分类问题用softmax会更好，多分类问题最流行的就是softmax方法了。其实softmax也是在此基础上的一个改进，但需要训练的参数个数是一样的。
明白了这个多分类的思想，要实现它编出代码就变得非常非常容易了。
懒得搞了，具体代码有机会再发。