W 只是我们估计的系数，以确定每个变量对模型的贡献。我们试图通过将系数乘以我们拥有的输入变量来估计对数优势比。

如果我们没有 W，默认情况下它只是 1 矩阵乘以 X，或者假设每个变量输出均等地影响响应（忽略预测变量之间的比例差异）。

W表示怀特矩阵。这是您尝试学习的内容，换句话说就是要修复的内容。X是输入数据。在训练期间，您必须提供X特征向量，以便学习参数W。您学习此参数矩阵/向量，以便拥有一个代表您的数据的模型。该模型将能够对您的可见和不可见数据进行分类。假设您有以下数据。输入特征向量X是一个二维向量，水平和垂直轴代表每个维度的值。输入特征属于蓝色或红色类。您尝试通过学习找到分隔线。您将学习如何指定参数向量W有一条线将数据分隔到每个类。使用此过程，在学习之后，您将能够根据数据的位置对看不见的数据进行分类。考虑每个参数设置都会导致不同的分隔线。你试图找到最好的。

你使用逆逻辑$f(x) = 1 / (1 + exp(- \omega x))$因为您希望 f(x) 介于 0 和 1 之间（如概率）。如果 f(x) > .5，您将推断为 1，否则为 0。