上文我们介绍了机器学习框架的三个步骤和一些基本概念，现在让我们看一下整个模型训练的过程。
上文我们讲到线性模型(Linear Models)，这是机器学习中最简单的模型，但它也有很多缺点，比如只能进行线性拟合（蓝线），不管怎么调整$w$和$b$都不可能产生折线或曲线（红线），这对于我们找到最佳的**$w$和$b$是非常不利的，这种来自于模型的限制称为Model Bias。**
也就是说线性模型的精密度不够高，我们需要寻找更有弹性的模型。
那么我们要怎么获得红色这条折线呢？一个方法是用常数+蓝色的折线来合成红线（这一段墙裂建议看视频，文字表达太抽象了）
所有的折线都可以用这种方法合成，称为Piecewise Linear Curves——分段线性曲线，如果这种折线的转折点越多，就需要越多的蓝色折线。
那如果我们需要的是一条曲线呢？
如图，我们仍可用常数+分段线性曲线的组合来代替真正的曲线，这就是高数中的微分思想，只要取的分段线性曲线越多，那么我们就能越接近真正的曲线。
那么接下来的问题就是，我们要如何用函数表示这个蓝色的线段呢？
这条我们已经见到了很多次的蓝色的折线我们称它为Hard Sigmoid，它是由下面的蓝色曲线逼近而来，而这条蓝色的曲线就是我们常常见到的Sigmoid函数：
$$ y=c \frac{1}{1+e^{-(b+wx_1)}}\\=c sigmoid(b+wx_1) $$
可以看出当$x_1 \to +\infty$ ，函数值无限趋近于1，反之无限趋近于0。
Sigmoid函数的形状是通过调整$b,w$和$c$来改变的。
