接着上次的一篇文章：http://blog.csdn.net/acdreamers/article/details/27365941
在上次这篇文章中，对于Logistic回归问题，我们已经写出它的最大似然函数，现在来求最大似然估计。所以对似
然函数求偏导数，得到了
个方程，即
由于我们只要根据这个方程解出所有的
即可，但是这不是一件容易的事，还有Logistic回归求的是最大似
然估计，我们在多元函数求极值问题中也说过，导数等于零的点可能是极大值，极小值或者非极值。所以还要靠一个
叫Hessian矩阵的东西来判断。详见：http://blog.csdn.net/acdreamers/article/details/29594175
求Hessian矩阵那就先得求二阶偏导，所以进行如下推导过程
把Hessian矩阵表示出来。那么有
所以得到
，可以看出矩阵
的所有特征值都是小于零的，那么说明Hessian矩阵
是负定的，也就是说
多元函数存在局部极大值，这也符合开始要求的最大似然估计。Hessian矩阵描述了多元函数的局部曲率，普通的牛
顿迭代形式如下（求解方程
）
开始我们会选择一个
点作为迭代起始点，有时候这个点的选取很关键，因为牛顿迭代法得到的是局部最优解，如
果函数只存在一个零点，那么这个点选取无关重要，但是如果存在多个局部最优解，一般是求指定在某个点
附近的零点。对于Logistic回归问题，局部最优解不一定是全局最优解，我们可以多次随机取最优解。
对于上述方程组，我们同样用牛顿迭代法求解，那么有
，其中
上述的
是对称负定的，现在求
，也就是解线性方程
，由于对称负定，所以用Cholesky分解。
Cholesky分解原理后续会详细讲解。
这样通过表达式一直迭代下去，直到指定的精度，收敛到局部最优值。当然，全局最优值可以
多次随机初始值取最优即可。