diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
new file mode 100644
index 0000000..1630b3e
--- /dev/null
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -0,0 +1,98 @@
+# Linear Classifiers and Logistic Regression -- 手把手教线性分类器和逻辑回归
+ 
+
+## 概念简介
+线性分类问题是数据在空间中的分布，可以用一条直线（或平面/超平面）分割。如螺旋状的数据线性不可分。  
+线性分类器是一些可以解决线性分类问题的机器学习算法，其模型往往都是一个线性函数，如决策树桩/线性回归/支持向量机。  
+
+线性回归和逻辑回归是数据挖掘领域最简单最基础的机器学习算法,几乎所有的机器学习书籍和教程都会将此算法放在最前面介绍，之后再逐渐深入。  
+
+线性回归假设结果和特征满足线性关系，即![](http://latex.codecogs.com/gif.latex?h_{\Theta}\(x\)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3)
+，为连续模型，容易受噪声影响。
+
+逻辑回归本质上是线性回归，只是在特征到结果的映射上添加一层函数映射，即
+![](http://latex.codecogs.com/gif.latex?z=h_{\Theta}\(x\)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3)，![](http://latex.codecogs.com/gif.latex?g(z)=\frac{1}{1+e^{-z}}) ，添加映射后，连续模型变为二元模型，受噪声影响变小。  
+
+本文不对理论做过多介绍，有兴趣可参考 （[对线性回归、逻辑回归、各种回归的概念学习](http://blog.csdn.net/viewcode/article/details/8794401)）。以下在python环境中进行模型的演示。
+
+### 一、安装python环境。     
+可参考[python官网](www.python.org)，一般Linux都会自带python环境。  
+### 二、安装sklearn包。  
+简单的做法，可以先安装python的pip包管理工具，之后再用pip安装sklearn包。pip安装可参考（[http://pip.pypa.io](http://pip.pypa.io)），python 2版本2.7.9以上或python 3 版本3.4以上都自带pip，不再需要安装。  
+#### 脚本安装方式：  
+```
+curl -O https://raw.github.com/pypa/pip/master/contrib/get-pip.py  
+python get-pip.py
+```
+
+#### 包管理软件安装方式：
+```
+sudo yum install python-pip
+sudo apt-get install python-pip
+```
+之后就可以用pip安装各类包了，本文中需要用到numpy，scipy，sklearn，matplotlib包。可使用`pip install numpy scipy sklearn matplotlib`安装。sklearn是python环境下的机器学习软件包，里面包含了常用的机器学习算法，用户只需使用自己的数据，调用其中相应的库，训练出自己的模型，再使用模型完成预测/分类等任务。
+
+### 三、数据
+使用sklearn自带的糖尿病预测数据集。
+糖尿病数据集包括442条记录，每条记录对应一个病人的生理数据，标签为一年以后的病情发展情况。数据集中特征维度为10维，包括年龄、性别、体质指数、血压、6种血清化验数据。
+
+### 四、运用步骤
+导入数据:  
+```
+from sklearn import datasets
+diabetes = dataset.load_diabetes()
+```
+查看数据概要:  
+```
+print diabets.data,diabets.target[0:10]   
+```
+分解特征和标签:  
+```
+import numpy as np
+diabets_X = diabetes.data[:,np.newaxis,2]
+diabets_y = diabetes.target
+```
+切分数据为训练集、测试集：  
+```
+diabets_X_train = diabetes_X[:-20]
+diabets_y_train =diabetes_y[:-20]
+
+diabets_X_test = diabetes_X[-20:]
+diabets_y_test = diabetes_y[-20:]
+```
+建立模型：  
+```
+from sklearn import linear_model
+lr = linear_model.LinearRegression()
+```
+训练模型：  
+```
+lr.fit(diabetes_X_train,diabetes_y_train)
+```
+使用训练出的模型进行预测：  
+```
+diabets_y_test_pred = lr.predict(diabetes_X_test)
+```
+查看预测效果，预测值与真值的均方误差（越小越好）：  
+```
+from sklearn.metrics import mean_squared_error
+mse = mean_squared_error(diabetes_y_test,diabetes_y_test_pred)
+print("Mean squared error: %.2f" %mse)
+```
+绘制示意图：  
+```
+import matplotlib.pyplot as plt
+plt.scatter(diabetes_X_test,diabetes_y_test, color='black')
+plt.plot(diabetes_X_test,diabetes_y_test_pred,color = 'blue',linewidth=3)
+plt.show()
+```
+![sorry](./media/image_plt.png)  
+
+使用逻辑回归进行数据分类的操作流程也基本相似，在建立模型时使用 linear_model.LogisticRegression() ,在评估预测效果时使用metrics.f1_score、metrics.precision_score、metrics.recall_score等评估指标。至此，读者就能按照操作步骤使用简单机器学习算法解决实际问题。
+
+参考资料：
+>http://blog.csdn.net/olanlanxiari/article/details/48086917  
+>http://scikit-learn.org  
+>http://www.cnblogs.com/yhl-yh/p/6714950.html
+
+
diff --git a/Linear-Classifiers-and-Logistic-Regression/media/image_plt.png b/Linear-Classifiers-and-Logistic-Regression/media/image_plt.png
new file mode 100644
index 0000000..aefe44a
Binary files /dev/null and b/Linear-Classifiers-and-Logistic-Regression/media/image_plt.png differ