说明
sklearn已经提供了比较成熟的逻辑回归模型的拟合、预测方法，为什么还要研究矩阵计算的实现方法呢？
第一，我将LR视为标准模型系统的基石，我还是不太希望有不在把控的部分，自己去实现一次可以有很深的体验；
第二，我将使用遗传算法来对LR进行自动优化，这种计算量是非常大的，所以要在底层实现模型计算的并行，这就需要矩阵化。
内容
1 整体思路
本篇会探讨逻辑回归参数优化的原理(梯度计算)，然后实现一次参数优化，并与sklearn的结果比较；接着尝试进行批量的参数优化。
假设获得的宽表(X)有1000行，1000列，我们同时进行两种可能性的搜索。
X1：有1000行，同时选取了 x1, x3, x5 这几个变量；
X2：有1000行，同时选取了 x2,x4这两个变量。
对X1和X2可以单独的进行梯度优化，并获得结果；然后我希望同时对X1、X2进行计算，同时获得结果。
2 梯度下降
2.1 一个例子
这个例子参考