From b4f413f4007b86bdf386fa68ff05f6ccb4d1cc56 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Sun, 10 Sep 2017 23:16:55 +0800
Subject: [PATCH 01/21] add main.md

---
 .../main.md                                   | 71 +++++++++++++++++++
 1 file changed, 71 insertions(+)
 create mode 100644 Linear-Classifiers-and-Logistic-Regression/main.md

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
new file mode 100644
index 0000000..6493b21
--- /dev/null
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -0,0 +1,71 @@
+Linear Classifiers and Logistic Regression
+手把手教线性分类器和逻辑回归
+
+线性分类
+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。如周志华老师的《机器学习》一书放在第三章，是最先介绍的机器学习算法。如Andrew Ng老师的机器学习网络教程放在第一，二，三周，也是最先开始介绍的机器学习模型。
+
+线性回归假设结果和特征满足线性关系，即$ 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$ z=h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3 ，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）。下面在python环境下进行模型的演示。
+
+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（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
+线性回归：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、运用流程
+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()
+
+
+
+参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
+
+

From 93f47efc284b0480a67f883c95634541b60d652d Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 00:22:33 +0800
Subject: [PATCH 02/21] change 1

---
 .../main.md                                   | 75 +++++++++++--------
 1 file changed, 43 insertions(+), 32 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 6493b21..3143681 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -1,69 +1,80 @@
-Linear Classifiers and Logistic Regression
-手把手教线性分类器和逻辑回归
+# Linear Classifiers and Logistic Regression
+----手把手教线性分类器和逻辑回归
 
-线性分类
-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。
+## 线性分类
+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。如周志华老师的《机器学习》一书放在第三章，是最先介绍的机器学习算法。如Andrew Ng老师的机器学习网络教程放在第一，二，三周，也是最先开始介绍的机器学习模型。
+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$ 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$ z=h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3 ，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。
+线性回归假设结果和特征满足线性关系，即$h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3$  ，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$ z=h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3 ，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）。下面在python环境下进行模型的演示。
+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)）。下面在python环境下进行模型的演示。
 
-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（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
+### 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
+### 三、数据
 线性回归：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。
+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、运用流程
-导入数据
+### 四、运用流程
+导入数据  
+```
 from sklearn import datasets
 diabetes = dataset.load_diabetes()
-
-查看数据概要
+```
+查看数据概要  
+```
 print diabets.data,diabets.target[0:10]   
-
-分解特征和标签
+```
+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
+```
+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
+```
+建立模型  
+```
 from sklearn import linear_model
 lr = linear_model.LinearRegression()
-
-训练模型
+```
+训练模型  
+```
 lr.fit(diabetes_X_train,diabetes_y_train)
-
-使用训练出的模型进行预测
+```
+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）
+```
+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
+```
+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()
-
+```
 
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917

From 8203695fa9ebf1edfcc33bac93e35adbf41ca819 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 00:39:16 +0800
Subject: [PATCH 03/21] change 2

---
 .../image_plt.png                                | Bin 0 -> 8951 bytes
 1 file changed, 0 insertions(+), 0 deletions(-)
 create mode 100644 Linear-Classifiers-and-Logistic-Regression/image_plt.png

diff --git a/Linear-Classifiers-and-Logistic-Regression/image_plt.png b/Linear-Classifiers-and-Logistic-Regression/image_plt.png
new file mode 100644
index 0000000000000000000000000000000000000000..aefe44ac2a38de4cb30c17554f176c8169da9fd9
GIT binary patch
literal 8951
zcmeHtc|6qX+y7^VEQexL$TCEQk|kwdrV^zNQPF}Sp|UTLZDyP{*^82dN~MluI}8Rh
z*>@=#vJA2|!(cF&?RV>(^DN)zJipiT@9*_{yk6$R=l(4BeO>SCy586Op8Kb*EjRxn
z^9uw)n@=1!w}T)!4uW7KLIU8-q3*$PaNrL*a^kEI_=yy{5(EAh_CJ0h2!h01H-2Gn
z&2q0nkRo)#{P5YE&t`|P@#CRRs|)1dSk%nyo=?9GWIXEThrPfp%BB~Kz%6oayNVX8
zz0?-EJd1qw{8)~y+uD(%l_z(zg|xL%HUZMM2S=GcJMKR}ZMAmJHt5b!_3l45g%sRF
zYUxqTOuZw_R(#EZjIuNPyI2dyg$4&BLeXmE&JxC26(!q>NTCZtP)oT>4<7^-68IG%
z)aC#E_>VTwkXwc#`tNU58Ebx^T;xZod3$zm4pI<menFu(b>~=qFK*L_6VW)%DA9tI
z^I0a!-JhA6u}y+O&+bi3OuX&Ao`ZDT#XquzHh|YuDmFuH-MUpdO8{zib8}OElbcJA
zQm}ad4Mumg)qoMWIJEL4)sJGusMUi|wf_T8$nkH6M4bxAalUw2FE20cLx;8}SSbJA
z`{QlXm?gMh>ujdA%H-6Po4fnOF!_4vMRg4gi;{l1(JS78!qSlRQ|sKV`S#S*)wr1R
zPEHB-dD}CsJ<U@B4#0#U(PQAbYin!MOqM5mc+yL7i(HIz0e&DSK<4Kte!%2=3NdAw
z#X0Znoal=u#GNVHzA@79?c2B0WLvqPfA{qC{QdW_obH&5`I3*U+}kJxXZLEGn8+ts
zxTUFl4+aaDj=f$g6BieUKzN#uOcqE<N<I_R7uZ<B!440dZ?hpZ3Xzve_A0&j$AHfi
zlz86?n^*m9ytt?ck&=>9R8xZl2HfyWW23&Aa6JpJ5)DC{-rDDB>*(nG(AF18!@(d4
zW$1rD{$H^H?#22#S$U6&GIAj%2F>Y>;c@A<HuW<bAqk-t!mFKw2}9>EU5b16?%mac
zGPe2l_ttexnH4cACNni?Kkq9GOb*>La{A~|jx8<O27)~wH_Wu|p)Nnk%uJ}LsMt7!
zS0e%7RVln|p215ygF{^FvNGLNg*tIz6r@`8GdT9y+uK`*Mcue@=wklYM5TEjzqVSs
z17>27>dgAa;3Bq}LvYlI<?!k!+1W`LBDRt4Qxh^mik@B$uONC76#_aAU0ALDac-c1
zM<phfFSZU+vYeE_Y+h9k&F#o$XTArSWN|SNEXIdOUigmCjC8HvBxPQ;)-k}NiAAZ#
zHBi>`5AX57_wmD_-KCEilZ2prR%fV^ho^GQ{GCWM#@9>ANZx9s*A96Qa=Q;5I&@>0
zI#;edw%DdTSK-MjATE85x#WBQZLfe_@`C^n_g24mUp3FSkF$DRJVAHZ`{+qlR-#2t
z0NpE_;~j#f*l@>J7MOqJ9(!M48A-h~=2w8gL8t9{uOE_>l2TUcj3ITPHPzM4OD`sf
zVYEbuDrR9Ux{+R5<}A~XC#kKiy;Rh{3B<J3`+jc=!cZcI#mrs|2k#3Z$a{Hpyggg2
z65>6T#M2+EzaPV_(Hp}s_g!@fIrf^^JM16W-`5w@($aDsjZPBg{lZU@Hd;HOXvY11
zX2FIRd`w+^oFzByM2}sarD)tFIgN7$_J~8rkAS)48oTd7E<I<X8KYvB#`Lg;j{0dK
z;KvGOOC@UpJklDydZhk4(qYgzJ}Y9w0j9h)Z#T=V)rh`2C42kgx{L<&+J@uPvFs*w
zHfC<B3{412ZPOzf^yS{B`DnoSP$wL*QT0^kG{4#LEA^S7-#Rk(W<ziil3ASQp1nG8
zpP0>Cqp7CRF%In4?J78E+t|39<(oHeUIK%cUX))x|2kmIyxvVgcA>Xm@)EZ9971pS
zJna-s9xjf1K@B$4HZxP$w{IV_#y+q2azKFg(~e0Yl>t_wd|dhJ7@JC2DT{HaDJ~D|
z%W#AXxV!~`{^Mf)nK4bJ%Rd2XA8eS3__Yi#Z}8A*vO^ZDuy(vG$AP_(mr0+N{={fL
z@<8d@w`e}Wmt^Yf%GHRk`|;yut-F;7y9Vi&#>|R_&W7PV5KQ{1FFvAC1*<}3vWlvz
z<c54hrE<Szn9fJ5v$Iy~BdPQ%9TB3X$?ts?s)8Gjf1jVf`G!;M@X{M~w)1N3EZI5O
zww}j9OJdR-?bzO__aJ_ktH2a@D>Zg&MqQJ{VCMw~3VaS0JCT|aj}7v;4P6#%z+ZRY
z{1Z5f+ENm7x2h;1In(OwVMf+0869<F<r+oBEIn%TGtG?&oXzV!@8}pGqpu9t!&Vm-
zCbPqEO^NO>hkT1c3~Pl-;jRF$E~QC^oPyw5Xa6cIW<CSge?l{J$pDv^cT0X^u{+6Q
zlo{)=%}8qI-4gy=o{fgAtgN<y!44{w3ec_nBLHfQRf!&)dVFb-KAF&*7+92n*B>UD
z2=n891G9LNp1xyQT6tNFC$8Nrm=!vFO;3|hx7!7hF4n8jCiG;eZ~;zZzBkEF)XquZ
zAgx^v&gpk33f$2ZuYz)=flZNJCJ3_?w}vhOl^_tVAubHnw1TMpl=ZxVvW&FutvJXZ
znJC{z%+OOBlc&e5W>VCAk<zyzejM!m2aBHTYh*0V4bc^59l#*1iQ}N;x+znsg;y#Q
zXe?_Mkra6aoVVUcCsUthuE-iKHd35I-HpN<6utw?kR*ra?*bPty#y|dT!^x)Fdp9t
zred@k(A-@?K_HuPmj?=>zLo&bStc2_-l=Xd!9lwU$Zd&%YX!VkJeL$5BkQXgvPbnH
z#IJZElw#8NMQ?bmGbW8#RUYPo2Tpz%G~k0s!bWnJ6?ix6OR}8?jSB|``GimhhM6@q
zZcWufC~LOAam#{bKe*b8URuymOK;HZ#1GqQq-LHZL8)I;vgH=~yC%_CcKJ}%tHTid
zwBe&x7pl!OX||V(Ca@dMZgo_wB&JO^Pz>WAl8&cHVP9E7@WR}o8xE5GOai)QnaHJH
zSQ?57EeiUm53EW%fggT)hw?gY@)GYc{>o_RybBm{9zmj@l~f{&Ks!@awM9PmNxGW1
zTwe+xClR%W$Qzj&7@R{zm@RB==-`V;2S9&svTz@PAAE@AFl(e1NP?1jVyV&Kyt+Z_
zrdYSFLXex=ryNI(ih5fOe^c-vWxZ)z4Pe`)p)k*)pu-nH8nW;JS8#t66wgP{BjPee
zT04Q2X_Z9IKulWIF5Y^EUt;-K?AT;<53o>3hnMr#fV$0VWFzo`oe)fQu#4**QlY15
zS%E47FSrwsDiW`ffr6xer(>~&IgZE`Ez1g$FIcr`!(t$?2N7Gd3~+diqDQ<yb0npM
zn~Z*jLRx4^<D{(y9Rth+^HhOg`kGko)P+?Odf3`mN@S2EhRBR)=-lMp1v0U~Vo$CG
zn?;;L^Lh&`jDOeyi-=l72Lh{|H7kdFL6T_b={b8)CIL{h9HfYT$8*_(iO2+y-7b5;
zLM)&IcK;n?CG7!ASt}PzelQbk*nPd!`aUrxrnk5EYU#!9nP7{9JN((JE|wMM`mLK*
zBw)?Q|4MiNxg--zWOmKUQkvm&FtKJlCVahSo^NFfxEhpS9n&?V3q(p1Anwy41cLtd
zS5#$%mRkC#SQnnl#G1v`_(kUQRp2fQp)4-@`1rh~;us81?BhEWMs~Izhr)}J#Q24s
z1V(Bo7QX%9$<wDYKMY;8Y%qcKo@N<X&Me;2c<}+S2TcRKaKi+>*NZAED<`6GkF0hB
zat=-*P6_6m8}B}T%lA|HR91|j$yHS|8EIt=n2yBX<u|T6#fKa2>iRJZw=4I{jCr+l
zQh$H{lZ=cwaCl3m8VzqZn@$|ws#1KidQ7bK1a#oQKQZWs&s-G}##N<8y!UeQKM)_Z
zH8xtDvbJtqUk^WZ>QsFAGn2Lylp>4u+_@n8MkssI2XRkKVR(g}RDd;k>D<LDQQ*$U
z7|k^kkt>FD${g&9=)Yw?ExTKC3BhGVv?+Tu2F-3@n+0J^FT1*u4oBPh3ro9*(#Eg8
zGUI%qJ@gq~jo`6L+N#FHK2K~#;k5ltEtUTY9iAt93Twe$vJo@9uvW48&Ng8%uGQRq
zJTY)b7NBMf1|!!IQvhsOUVc?s=Jlk67D>7}=-}tYMZK|F5eD|aglbxl?8*nPzLWfl
zq$hprS6?Z_VR+_CER{g4f@Otw0h!vsX0sn>m-+rp*#JIhzrcjFES`3F3<fmG2h5KU
zkC~e(B~GnZX0N|v)h5kuE~d(~9*5xZ4?>AX;6-^057UhIlh+-HhH*8#wd~&n_oZjj
zD(@aB6y|pkty*nB&?C^?<xJ~(5%l>%WA{)~!iN{9z>I`8hi4CyYa|z9EVt>Lv=ZpQ
zvDtkbEJ8?hJ$~4&X~TVf`irzm=kw?Nk&3TD`VHxRK8gp7<e1cUy)(a;4d2Mj<m>ar
zXYw6?cW(Vs)XJ|K$UU3K7pm!-F_PKX19YSf{6rGdj|suIP3}YAzuE34z>*oovwrWr
z-rn9GA1>N=4v-qrehT~7kaRsiHs`aZL7iBi6I|To_{DrsEE#%?d@O6AWSW(RRSQ<f
z>6G(}79PEYoCu`mZ=`SS5@;MGo6av_UPXu^KQuTYdIW-tUi~y5<fowJ3sQP=U3bo{
z>`_lQL9Gv9)duV)?3Hf4W?R=<G3ik7CK10#H%W|5m=#FJ?6z95J|l3G|HCFz-LW=w
zCy}ekJ219fpy`XmDG8x)(vfaWxn}YUJ-L!PBB*YD#pFK@*ZD<76|!Kk#s?7pLjY+-
zcim{HrLWIFRRjf!qQrc97kHyVI?wC2!f6k<xN5#$)lLy&t_i59mL^uKuxtKeisPTC
z%P$9J8^3+Kc<R?*H+t3UrG`I>^y3cG>4dq;7_Wl;9+J3#U68Bnf0v=2`F@&bwR<iq
zEQy}pqXDZk0Bj6or`&q9dHs(c*8x+T4mMPN8lSScvdAsUgwVc^i#scf(vNd4kOFA#
zri|S!>>zKE(-*IH_QP8$7vqd5^3|OSe0D0(sQQ0t7o48O(j!&kYD5H9bJG&!p<D@^
zza&rrjyg4UMviR-33~P88qs1E=KU*FdjTwJ^9}i_sULYI^AVjvi}}R)Bcp<apk?sv
zzIyPbecrJNb-na+e>VewZ@qS9aBF1!+VR|{Ud7X_k7BWzBF{zn6`vggWV@lEAtpvg
z$)7<M5fSO+lPf-~7c#g}3&?2n;3>#m85)%XG4#j4Y#$NJQ!4=C!&Ur1Crs|;;W|2j
z0;+lJzSs=m=kG!G=`2@FOGrp~^6Xjs^78T%{}1Nx!X%DsuX8?zFnlqaN!B-cE4##-
zUti2`1h9SEq?+J|H5%I~wu1&7N}30lq&-c-8WY-$j<fr_MYJM;iwDm+xQ{YLh{=8&
zKBOWWiroc8*LwTXZc;A+NDooLf+)QGAsV=z3PEw{%EKWH3-e$CqASt^K-hl|Oh~i?
zV7dnRU|PT!_do(iN(6Pqg&rWL=<hsNW5lZWOI|H0;&U+;Lb)g^aIS8!+=m+gBi%&c
zP#S<N{8b>)kwx=-(hhKO{oHU95h9*wLRt4J=y*w=?mp54cM<f4!^#eVd~Fl8cWg(O
zs)r<W_ap?*l|IPU)m2)V-3Lx=)N{)UXjh{NF1e5%*<`B$sY&3HpJO>>bvBYc!bS&8
zf3h14{_^qs#f!1d1rCG$&^Bx6$Pw<iP4T?f!Nq*+=M<%39@o0(`WI~@BiW#!ppC<F
zxCv+=it6B}rC~zCPqI2|>6%<6%DSv?vj)RC!bjy|zWw|6@1HHQ^78UP#WhzXA<xY)
zhdP34baizv2L>MaN+!G2Zk^q6^w!)ohdrg7HGi9iWrkOSGUQoLiJ}lBN-yr;qF^f5
zd;P|}6gUk@r<lTS+x>o4AdVO@*J8Rb5D$ttXf(b81qujFe>EC{DR8Y{5~HIZO0U>z
z07O^RSPtKS;>EI|S|oGUPbw(24UmWr^hcrc(D$R@<Z_D*pzO)_#(7T<cY+nm*yi=V
z41Da>0tzdT*>WC)p45iiHm+n?VpH!>O0pjLan57~V(#fV{7cv1!Y4#Rf+$aV^0c*<
zUP%SUYr6!{((c*G^VH4g04OfP^0;T5LFMW8#pm>UXYup|U9QOSmGG54D3KK~X`K*3
z$J`wJe%I*ezbJEcDp*q11ZP0QMf%dMyObg~gp||Sc6CtMJv=;O*CrvFAxy~aN*{1G
z$sS}uw~;wQ9AJ!4nG)oB+qcF*gm_Y;g?Fe{43`P?yO5R^SvAwukJ(AL1hGm?vg!97
zi0t*V(RHxoZ7?Ci^Di^?Y<A@P_mLV(9)Z}Q1U(DK8|PfzV9Ba5p-rIKTzDyUNLh)O
z9)=&13|O0J=-@|v<5%3KYSg+LyShCrRRr=b7UsYEp3+t8mmI|2B7ZR!gJ#1DjrbKs
zTbx2SV^U9=?^fDdR90sH>Fm#-F$$hO4I;tWu-V}pW+}TJsDFh`a9jz<Oj*v%O3*oS
zXjSO$gfDdkcJJz!mVyE0f$!nR<qM;vKYhv0x<gqePhH|Ircq=bwQjO~XG~2c?=!1B
z;qU6Y6R4VnP5c|rO8zq0m}rAFq^xU3sSSuPc7~en{97TU{Oy)@;z?=f?u*a#h_^j!
z-~L@wxPSk?ZPL-h0{tDb2v8}H8P7+1)?gM>P=9vmtK(uW{8d;ZLGiL4x>#jKC~JxV
zdU4Rw8PL-qm-8U~jZb&S9Ok)y@|>Poe5X<901}AO*gkZN#`0tWQAD%7)`tB$?;nWS
z21_-OA(info*>MCCK<_i5=ku}XvEbhu%Gu;Nc(}h@^{3o|Ew4L5km1M8K@A_udgD=
z`<xLAouQLx-a?XC;IM-GS5U72H$z}E_CB)exn8OtxmwuvQR__=mLQm1Z@lyZ5jvcX
z<+NJWU(3ZOm;Y;!k>4n|cnhN*YJtXs!o$>a<{aA9X+B}u1GKeH66l6f?Gb=*4^Qbv
z)aYn+dc$7?>*^NUum$d$8HKmx{p`^ROj}GYBhu4FQyiDtm{tQKYy1l6A{=+Jr5*ph
zNPJ>sMpqw!il?fX)fZNsFkv;zJUY+4JCxDU(0OhT=nNh|empkv@mA3ve{2J#uSYrI
zY)StTc&<&5X#18v3)735*syxS@FOhe#ZiQ=`<4$sq0Lq^LIXh<Xxe)e472#*5h+YR
zSh+G6N@(1jW<D4d%3aROL!>#`1J+d*HnK3od(v0cGxJ5mMRSq69}2Bkcs>L;;?M-i
z?fLtkX459qJxBG9vweJN;#eb{=IADfwjZ8cG_IP~9W<hi3KK>(wn`E8`)oBzN@@#K
zw-^hkYQmb&-|UJ2ZQ9^>kSxArfMijx5}Uct{jbsEL;go4F+lRDSw49Zbk8fLcM^~3
z&r3gV=T}r-@FIc+!pk|ukMlqolnm+xpufD6yD56wIx)H*Hqb1nr;P|$y2@P!v{wu~
zv9+ERT7M@8iCd&H1qV6^Ylq^KfOM{d%z>YlfhX6>nIRW&g5zlH%xeT?-9CU3zcu?U
zOv?%|^y#_EeFUPWAKNLyXXQS6?*e%y7(l3rM)Pj(=x6{3ppF8Hl7rlgGZ#YLom?3x
znI|lLj-(FEs<S^3KJ-;IwoI1Xu))?g{*6!42XP#&ugMfFB1a+9kK=;}W%s4jb|Z56
z%yRgKoONlI@GWwd6wTL7T@HyjxFNzD_|b1#N@BXAd~24e)Sr+j3fi6z==kT)c5=oy
zwE!Lh1v5OUa4ijfMLxp%51>b^wa${c?Oo<e;TKjPx#n`L=O_$sC#dlbv?~o`HkRJi
zUQ2J3#iOwkkNU}xYi+j_U^*W{!g*OgA0x+K&8H@}D~x@!e*DS`C9G=Z*NMnemq3CJ
zuf}{mS^j4SCTAMC`o5{c8<PYY%l&k|c7_SmSFvrFh(GhN%R{;>B`L6FD^_6@Rgv9o
z6whKBUy{NF?1T&&0Qm=)01f{giiq=Rnq!Xc`@cp<PAHn2*ISxOEU>4h(8NlafPVLe
z4jtdSVLa!O{&=aXkxc-)q~>x#f5BFNv5y18k_*2(0Hua@zJ7z}ca;b7kf^ZKQBFjz
zBiy<N@S3!6Mm@z%A%bG7q1K4L&0<2TQm`k<zz8!oUA6Rlzab3Ak8QDX2+h76mKfMC
z%%sCkOKQOAB<D4uwbg}~D3%gt{uW3+MANaSUa^_iG^xwsa}>V5x|LQ|=mT%KT9FYw
z{^s;iMgfl`*h<U@mHxMu0n+z_7v8qFS9+5RM*pn&W0NqbG0uo!HTfmGQvsWo*KdLu
z6N5gFZ6!SnTh7CyQ+@!>f@)O3?Pk;|_;S`K(tu0>H4Bj*R&dv2F3#4Vi8Oa0euQM?
zI6}Dilce1`I$Hx){mo0CW-<jKe?!>$BU0<w?U25p)TaO27S4B)_%FTxNaP{KYaluR
zBj3>JA3b^$fzJEcI!bqV1l>-7p}sl7--!Rrz+crCq!6Gnm&v!^XPDU;vxg6;SVzg!
z<;xh1={kqIgNXkR`YD7GLjCe-Hl%BHoPLFaF?*brmNPIrH+B{x?SVCa%HL2$<smIc
z-Ds`gGiS~mbrL*Qa!LMp0(50sCIM)5rC{T2Xwj5p^?HLV$s{xiy^%#LT{%dz7qkQ2
z;8BNsdp95iD;4({_5a)#tM54R5BnIt_~4Hlx9o=0%mJ)`(#~Si%_f$?hTCk&fXY4<
z#LgU7ykT-N*f+zj|JQE6XuNo`0_<XJFt?#Y)nOIv`O!K)-VFwsI|!oja!5$Xz>RxA
z{7O$x9}|R!By6;mc7@kVe{?Y91Pl&%CKD6qyauv{exO<%;dc>xm5w;tbvF6lP;`fj
zTU_l!jMbE}bwl&AYizHbd2I)_Nv{!lqwOScT1V;<#cf<$y8hFpAN%sRyt0C7V>as?
z86@kLdz9=59SpFPGYnSst(<wI4|oQM)$?rF>q+S+@`VY{TxA-I_GdJ;dNa2@W*FED
zJXZ%rTtJ|)Q7f^%zv|WC_0pGi@199S&w25=qyT(@>UsIvHMK2BW9gG8PljOj)JFM0
z-c7ql<fW&QlI8j1!TzDQ&oc@!G!E>~25|WP2os;5;gNlv;Y(`bkeV!+Ngo=Q@Ndx<
zl7{*cA@v=CFg|Dif!qCE(FJlbf)`$q;}?azEuqKpf`fmJz?cvzgx^Kj0NkT5H3iL;
z3VeGAzCn<%@m&B?dA9PnqKn;RmzlrrcP_VD)>x$cO4UrX%IMFDNdVc)wt(yw5~4df
zISCx1`(rsA;Mq1wfZ)M6p`V+5ui__Y+bCktsKk6?{1?k+Bu}7UWn?*=^Zwoou+ak)
zr-0RY*X;PCwT&~Jh_jLK^Kfv<4x3t7Gngq(&!qXL#1@n(ypX?Y=5S+*KePx|H1ez1
zfvnqn$w`np%r887VV4{(60G9pms>1wHECso`hG7<h|H_=%gxPo1JYCmvL!&(5G-Sb
zYw`=+U$AjOELqP4(#Hox@`inon;Z`O$$2eI1R$+Oz;vNx(1QHWK5XFq(H*(dKHlE(
zHzgp&f)3_vYWCfIQ0T~XcMbvpwv|oBPC&TB@+RR2_o%2?nlv6iyRJ4x-;${xpp+<Q
zAi-Lh1v_5{fQpZkTjyZpz;zk~T5<WvZwKjjfgTFoKcN!=k_^}c`TuXnn8AZ#s)amJ
V-#>wGt3c3+W7g&$j=22xe*jCL_oV;;

literal 0
HcmV?d00001


From 638061ef72e9ebcb78e8c31f30adc1580f84cb60 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 00:40:45 +0800
Subject: [PATCH 04/21] change2

---
 .../main.md                                   | 41 +++++++++++--------
 1 file changed, 24 insertions(+), 17 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 3143681..b5793f8 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -7,18 +7,25 @@
 
 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$h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3$  ，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$ z=h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3 ，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。  
+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)）。下面在python环境下进行模型的演示。
 
 ### 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。
+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
+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
@@ -26,22 +33,22 @@
 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、运用流程
-导入数据  
+导入数据:  
 ```
 from sklearn import datasets
 diabetes = dataset.load_diabetes()
 ```
-查看数据概要  
+查看数据概要:  
 ```
 print diabets.data,diabets.target[0:10]   
 ```
-分解特征和标签  
+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  
+切分数据为训练集、测试集：  
 ```
 diabets_X_train = diabetes_X[:-20]
 diabets_y_train =diabetes_y[:-20]
@@ -49,33 +56,33 @@ diabets_y_train =diabetes_y[:-20]
 diabets_X_test = diabetes_X[-20:]
 diabets_y_test = diabetes_y[-20:]
 ```
-建立模型  
+建立模型：  
 ```
 from sklearn import linear_model
 lr = linear_model.LinearRegression()
 ```
-训练模型  
+训练模型：  
 ```
 lr.fit(diabetes_X_train,diabetes_y_train)
 ```
-使用训练出的模型进行预测  
+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）  
+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  
+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()
 ```
-
+！（image_plt.png）
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
 

From b27f043921b1971287b3ce4f32d3a49715c04930 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 00:45:09 +0800
Subject: [PATCH 05/21] change3

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 9 +++++----
 1 file changed, 5 insertions(+), 4 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index b5793f8..a7de64c 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -7,9 +7,10 @@
 
 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。  
-
+线性回归假设结果和特征满足线性关系，即![][1]，为连续模型，容易受噪声影响。
+[1]: http://latex.codecogs.com/gif.latex?h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3
+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![][2]，![](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。  
+[2]:http://latex.codecogs.com/gif.latex?z=h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3
 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)）。下面在python环境下进行模型的演示。
 
 ### 一、安装python环境。     
@@ -82,7 +83,7 @@ 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()
 ```
-！（image_plt.png）
+！[]（image_plt.png）
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
 

From fa909c25f11eb2005c50b7089c764d2824923d4f Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 00:50:19 +0800
Subject: [PATCH 06/21] change 4

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 10 +++++++---
 1 file changed, 7 insertions(+), 3 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index a7de64c..75c2a31 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -7,10 +7,14 @@
 
 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![][1]，为连续模型，容易受噪声影响。
+线性回归假设结果和特征满足线性关系，即![][1]
 [1]: http://latex.codecogs.com/gif.latex?h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3
-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![][2]，![](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。  
+，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![][2]
 [2]: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)）。下面在python环境下进行模型的演示。
 
 ### 一、安装python环境。     
@@ -83,7 +87,7 @@ 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()
 ```
-！[]（image_plt.png）
+！[]（./image_plt.png）
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
 

From b4b3bbc8ae424cfd9c3787a3601534d887fd483d Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 00:53:30 +0800
Subject: [PATCH 07/21] change 5

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 75c2a31..70ae081 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -8,11 +8,11 @@
 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![][1]
-[1]: http://latex.codecogs.com/gif.latex?h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3
+[1]: 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![][2]
-[2]:http://latex.codecogs.com/gif.latex?z=h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3
+[2]: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)）。下面在python环境下进行模型的演示。
@@ -87,7 +87,7 @@ 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()
 ```
-！[]（./image_plt.png）
+！[sorry]（./image_plt.png）
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
 

From ac8e35e682caf42e87e41ef47ab36e228232d92a Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 00:57:07 +0800
Subject: [PATCH 08/21] change 6

---
 .../main.md                                      |   2 +-
 .../media/image_plt.png                          | Bin 0 -> 8951 bytes
 2 files changed, 1 insertion(+), 1 deletion(-)
 create mode 100644 Linear-Classifiers-and-Logistic-Regression/media/image_plt.png

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 70ae081..1ccf52b 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -87,7 +87,7 @@ 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]（./image_plt.png）
+！[sorry]（./media/image_plt.png）
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
 
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 0000000000000000000000000000000000000000..aefe44ac2a38de4cb30c17554f176c8169da9fd9
GIT binary patch
literal 8951
zcmeHtc|6qX+y7^VEQexL$TCEQk|kwdrV^zNQPF}Sp|UTLZDyP{*^82dN~MluI}8Rh
z*>@=#vJA2|!(cF&?RV>(^DN)zJipiT@9*_{yk6$R=l(4BeO>SCy586Op8Kb*EjRxn
z^9uw)n@=1!w}T)!4uW7KLIU8-q3*$PaNrL*a^kEI_=yy{5(EAh_CJ0h2!h01H-2Gn
z&2q0nkRo)#{P5YE&t`|P@#CRRs|)1dSk%nyo=?9GWIXEThrPfp%BB~Kz%6oayNVX8
zz0?-EJd1qw{8)~y+uD(%l_z(zg|xL%HUZMM2S=GcJMKR}ZMAmJHt5b!_3l45g%sRF
zYUxqTOuZw_R(#EZjIuNPyI2dyg$4&BLeXmE&JxC26(!q>NTCZtP)oT>4<7^-68IG%
z)aC#E_>VTwkXwc#`tNU58Ebx^T;xZod3$zm4pI<menFu(b>~=qFK*L_6VW)%DA9tI
z^I0a!-JhA6u}y+O&+bi3OuX&Ao`ZDT#XquzHh|YuDmFuH-MUpdO8{zib8}OElbcJA
zQm}ad4Mumg)qoMWIJEL4)sJGusMUi|wf_T8$nkH6M4bxAalUw2FE20cLx;8}SSbJA
z`{QlXm?gMh>ujdA%H-6Po4fnOF!_4vMRg4gi;{l1(JS78!qSlRQ|sKV`S#S*)wr1R
zPEHB-dD}CsJ<U@B4#0#U(PQAbYin!MOqM5mc+yL7i(HIz0e&DSK<4Kte!%2=3NdAw
z#X0Znoal=u#GNVHzA@79?c2B0WLvqPfA{qC{QdW_obH&5`I3*U+}kJxXZLEGn8+ts
zxTUFl4+aaDj=f$g6BieUKzN#uOcqE<N<I_R7uZ<B!440dZ?hpZ3Xzve_A0&j$AHfi
zlz86?n^*m9ytt?ck&=>9R8xZl2HfyWW23&Aa6JpJ5)DC{-rDDB>*(nG(AF18!@(d4
zW$1rD{$H^H?#22#S$U6&GIAj%2F>Y>;c@A<HuW<bAqk-t!mFKw2}9>EU5b16?%mac
zGPe2l_ttexnH4cACNni?Kkq9GOb*>La{A~|jx8<O27)~wH_Wu|p)Nnk%uJ}LsMt7!
zS0e%7RVln|p215ygF{^FvNGLNg*tIz6r@`8GdT9y+uK`*Mcue@=wklYM5TEjzqVSs
z17>27>dgAa;3Bq}LvYlI<?!k!+1W`LBDRt4Qxh^mik@B$uONC76#_aAU0ALDac-c1
zM<phfFSZU+vYeE_Y+h9k&F#o$XTArSWN|SNEXIdOUigmCjC8HvBxPQ;)-k}NiAAZ#
zHBi>`5AX57_wmD_-KCEilZ2prR%fV^ho^GQ{GCWM#@9>ANZx9s*A96Qa=Q;5I&@>0
zI#;edw%DdTSK-MjATE85x#WBQZLfe_@`C^n_g24mUp3FSkF$DRJVAHZ`{+qlR-#2t
z0NpE_;~j#f*l@>J7MOqJ9(!M48A-h~=2w8gL8t9{uOE_>l2TUcj3ITPHPzM4OD`sf
zVYEbuDrR9Ux{+R5<}A~XC#kKiy;Rh{3B<J3`+jc=!cZcI#mrs|2k#3Z$a{Hpyggg2
z65>6T#M2+EzaPV_(Hp}s_g!@fIrf^^JM16W-`5w@($aDsjZPBg{lZU@Hd;HOXvY11
zX2FIRd`w+^oFzByM2}sarD)tFIgN7$_J~8rkAS)48oTd7E<I<X8KYvB#`Lg;j{0dK
z;KvGOOC@UpJklDydZhk4(qYgzJ}Y9w0j9h)Z#T=V)rh`2C42kgx{L<&+J@uPvFs*w
zHfC<B3{412ZPOzf^yS{B`DnoSP$wL*QT0^kG{4#LEA^S7-#Rk(W<ziil3ASQp1nG8
zpP0>Cqp7CRF%In4?J78E+t|39<(oHeUIK%cUX))x|2kmIyxvVgcA>Xm@)EZ9971pS
zJna-s9xjf1K@B$4HZxP$w{IV_#y+q2azKFg(~e0Yl>t_wd|dhJ7@JC2DT{HaDJ~D|
z%W#AXxV!~`{^Mf)nK4bJ%Rd2XA8eS3__Yi#Z}8A*vO^ZDuy(vG$AP_(mr0+N{={fL
z@<8d@w`e}Wmt^Yf%GHRk`|;yut-F;7y9Vi&#>|R_&W7PV5KQ{1FFvAC1*<}3vWlvz
z<c54hrE<Szn9fJ5v$Iy~BdPQ%9TB3X$?ts?s)8Gjf1jVf`G!;M@X{M~w)1N3EZI5O
zww}j9OJdR-?bzO__aJ_ktH2a@D>Zg&MqQJ{VCMw~3VaS0JCT|aj}7v;4P6#%z+ZRY
z{1Z5f+ENm7x2h;1In(OwVMf+0869<F<r+oBEIn%TGtG?&oXzV!@8}pGqpu9t!&Vm-
zCbPqEO^NO>hkT1c3~Pl-;jRF$E~QC^oPyw5Xa6cIW<CSge?l{J$pDv^cT0X^u{+6Q
zlo{)=%}8qI-4gy=o{fgAtgN<y!44{w3ec_nBLHfQRf!&)dVFb-KAF&*7+92n*B>UD
z2=n891G9LNp1xyQT6tNFC$8Nrm=!vFO;3|hx7!7hF4n8jCiG;eZ~;zZzBkEF)XquZ
zAgx^v&gpk33f$2ZuYz)=flZNJCJ3_?w}vhOl^_tVAubHnw1TMpl=ZxVvW&FutvJXZ
znJC{z%+OOBlc&e5W>VCAk<zyzejM!m2aBHTYh*0V4bc^59l#*1iQ}N;x+znsg;y#Q
zXe?_Mkra6aoVVUcCsUthuE-iKHd35I-HpN<6utw?kR*ra?*bPty#y|dT!^x)Fdp9t
zred@k(A-@?K_HuPmj?=>zLo&bStc2_-l=Xd!9lwU$Zd&%YX!VkJeL$5BkQXgvPbnH
z#IJZElw#8NMQ?bmGbW8#RUYPo2Tpz%G~k0s!bWnJ6?ix6OR}8?jSB|``GimhhM6@q
zZcWufC~LOAam#{bKe*b8URuymOK;HZ#1GqQq-LHZL8)I;vgH=~yC%_CcKJ}%tHTid
zwBe&x7pl!OX||V(Ca@dMZgo_wB&JO^Pz>WAl8&cHVP9E7@WR}o8xE5GOai)QnaHJH
zSQ?57EeiUm53EW%fggT)hw?gY@)GYc{>o_RybBm{9zmj@l~f{&Ks!@awM9PmNxGW1
zTwe+xClR%W$Qzj&7@R{zm@RB==-`V;2S9&svTz@PAAE@AFl(e1NP?1jVyV&Kyt+Z_
zrdYSFLXex=ryNI(ih5fOe^c-vWxZ)z4Pe`)p)k*)pu-nH8nW;JS8#t66wgP{BjPee
zT04Q2X_Z9IKulWIF5Y^EUt;-K?AT;<53o>3hnMr#fV$0VWFzo`oe)fQu#4**QlY15
zS%E47FSrwsDiW`ffr6xer(>~&IgZE`Ez1g$FIcr`!(t$?2N7Gd3~+diqDQ<yb0npM
zn~Z*jLRx4^<D{(y9Rth+^HhOg`kGko)P+?Odf3`mN@S2EhRBR)=-lMp1v0U~Vo$CG
zn?;;L^Lh&`jDOeyi-=l72Lh{|H7kdFL6T_b={b8)CIL{h9HfYT$8*_(iO2+y-7b5;
zLM)&IcK;n?CG7!ASt}PzelQbk*nPd!`aUrxrnk5EYU#!9nP7{9JN((JE|wMM`mLK*
zBw)?Q|4MiNxg--zWOmKUQkvm&FtKJlCVahSo^NFfxEhpS9n&?V3q(p1Anwy41cLtd
zS5#$%mRkC#SQnnl#G1v`_(kUQRp2fQp)4-@`1rh~;us81?BhEWMs~Izhr)}J#Q24s
z1V(Bo7QX%9$<wDYKMY;8Y%qcKo@N<X&Me;2c<}+S2TcRKaKi+>*NZAED<`6GkF0hB
zat=-*P6_6m8}B}T%lA|HR91|j$yHS|8EIt=n2yBX<u|T6#fKa2>iRJZw=4I{jCr+l
zQh$H{lZ=cwaCl3m8VzqZn@$|ws#1KidQ7bK1a#oQKQZWs&s-G}##N<8y!UeQKM)_Z
zH8xtDvbJtqUk^WZ>QsFAGn2Lylp>4u+_@n8MkssI2XRkKVR(g}RDd;k>D<LDQQ*$U
z7|k^kkt>FD${g&9=)Yw?ExTKC3BhGVv?+Tu2F-3@n+0J^FT1*u4oBPh3ro9*(#Eg8
zGUI%qJ@gq~jo`6L+N#FHK2K~#;k5ltEtUTY9iAt93Twe$vJo@9uvW48&Ng8%uGQRq
zJTY)b7NBMf1|!!IQvhsOUVc?s=Jlk67D>7}=-}tYMZK|F5eD|aglbxl?8*nPzLWfl
zq$hprS6?Z_VR+_CER{g4f@Otw0h!vsX0sn>m-+rp*#JIhzrcjFES`3F3<fmG2h5KU
zkC~e(B~GnZX0N|v)h5kuE~d(~9*5xZ4?>AX;6-^057UhIlh+-HhH*8#wd~&n_oZjj
zD(@aB6y|pkty*nB&?C^?<xJ~(5%l>%WA{)~!iN{9z>I`8hi4CyYa|z9EVt>Lv=ZpQ
zvDtkbEJ8?hJ$~4&X~TVf`irzm=kw?Nk&3TD`VHxRK8gp7<e1cUy)(a;4d2Mj<m>ar
zXYw6?cW(Vs)XJ|K$UU3K7pm!-F_PKX19YSf{6rGdj|suIP3}YAzuE34z>*oovwrWr
z-rn9GA1>N=4v-qrehT~7kaRsiHs`aZL7iBi6I|To_{DrsEE#%?d@O6AWSW(RRSQ<f
z>6G(}79PEYoCu`mZ=`SS5@;MGo6av_UPXu^KQuTYdIW-tUi~y5<fowJ3sQP=U3bo{
z>`_lQL9Gv9)duV)?3Hf4W?R=<G3ik7CK10#H%W|5m=#FJ?6z95J|l3G|HCFz-LW=w
zCy}ekJ219fpy`XmDG8x)(vfaWxn}YUJ-L!PBB*YD#pFK@*ZD<76|!Kk#s?7pLjY+-
zcim{HrLWIFRRjf!qQrc97kHyVI?wC2!f6k<xN5#$)lLy&t_i59mL^uKuxtKeisPTC
z%P$9J8^3+Kc<R?*H+t3UrG`I>^y3cG>4dq;7_Wl;9+J3#U68Bnf0v=2`F@&bwR<iq
zEQy}pqXDZk0Bj6or`&q9dHs(c*8x+T4mMPN8lSScvdAsUgwVc^i#scf(vNd4kOFA#
zri|S!>>zKE(-*IH_QP8$7vqd5^3|OSe0D0(sQQ0t7o48O(j!&kYD5H9bJG&!p<D@^
zza&rrjyg4UMviR-33~P88qs1E=KU*FdjTwJ^9}i_sULYI^AVjvi}}R)Bcp<apk?sv
zzIyPbecrJNb-na+e>VewZ@qS9aBF1!+VR|{Ud7X_k7BWzBF{zn6`vggWV@lEAtpvg
z$)7<M5fSO+lPf-~7c#g}3&?2n;3>#m85)%XG4#j4Y#$NJQ!4=C!&Ur1Crs|;;W|2j
z0;+lJzSs=m=kG!G=`2@FOGrp~^6Xjs^78T%{}1Nx!X%DsuX8?zFnlqaN!B-cE4##-
zUti2`1h9SEq?+J|H5%I~wu1&7N}30lq&-c-8WY-$j<fr_MYJM;iwDm+xQ{YLh{=8&
zKBOWWiroc8*LwTXZc;A+NDooLf+)QGAsV=z3PEw{%EKWH3-e$CqASt^K-hl|Oh~i?
zV7dnRU|PT!_do(iN(6Pqg&rWL=<hsNW5lZWOI|H0;&U+;Lb)g^aIS8!+=m+gBi%&c
zP#S<N{8b>)kwx=-(hhKO{oHU95h9*wLRt4J=y*w=?mp54cM<f4!^#eVd~Fl8cWg(O
zs)r<W_ap?*l|IPU)m2)V-3Lx=)N{)UXjh{NF1e5%*<`B$sY&3HpJO>>bvBYc!bS&8
zf3h14{_^qs#f!1d1rCG$&^Bx6$Pw<iP4T?f!Nq*+=M<%39@o0(`WI~@BiW#!ppC<F
zxCv+=it6B}rC~zCPqI2|>6%<6%DSv?vj)RC!bjy|zWw|6@1HHQ^78UP#WhzXA<xY)
zhdP34baizv2L>MaN+!G2Zk^q6^w!)ohdrg7HGi9iWrkOSGUQoLiJ}lBN-yr;qF^f5
zd;P|}6gUk@r<lTS+x>o4AdVO@*J8Rb5D$ttXf(b81qujFe>EC{DR8Y{5~HIZO0U>z
z07O^RSPtKS;>EI|S|oGUPbw(24UmWr^hcrc(D$R@<Z_D*pzO)_#(7T<cY+nm*yi=V
z41Da>0tzdT*>WC)p45iiHm+n?VpH!>O0pjLan57~V(#fV{7cv1!Y4#Rf+$aV^0c*<
zUP%SUYr6!{((c*G^VH4g04OfP^0;T5LFMW8#pm>UXYup|U9QOSmGG54D3KK~X`K*3
z$J`wJe%I*ezbJEcDp*q11ZP0QMf%dMyObg~gp||Sc6CtMJv=;O*CrvFAxy~aN*{1G
z$sS}uw~;wQ9AJ!4nG)oB+qcF*gm_Y;g?Fe{43`P?yO5R^SvAwukJ(AL1hGm?vg!97
zi0t*V(RHxoZ7?Ci^Di^?Y<A@P_mLV(9)Z}Q1U(DK8|PfzV9Ba5p-rIKTzDyUNLh)O
z9)=&13|O0J=-@|v<5%3KYSg+LyShCrRRr=b7UsYEp3+t8mmI|2B7ZR!gJ#1DjrbKs
zTbx2SV^U9=?^fDdR90sH>Fm#-F$$hO4I;tWu-V}pW+}TJsDFh`a9jz<Oj*v%O3*oS
zXjSO$gfDdkcJJz!mVyE0f$!nR<qM;vKYhv0x<gqePhH|Ircq=bwQjO~XG~2c?=!1B
z;qU6Y6R4VnP5c|rO8zq0m}rAFq^xU3sSSuPc7~en{97TU{Oy)@;z?=f?u*a#h_^j!
z-~L@wxPSk?ZPL-h0{tDb2v8}H8P7+1)?gM>P=9vmtK(uW{8d;ZLGiL4x>#jKC~JxV
zdU4Rw8PL-qm-8U~jZb&S9Ok)y@|>Poe5X<901}AO*gkZN#`0tWQAD%7)`tB$?;nWS
z21_-OA(info*>MCCK<_i5=ku}XvEbhu%Gu;Nc(}h@^{3o|Ew4L5km1M8K@A_udgD=
z`<xLAouQLx-a?XC;IM-GS5U72H$z}E_CB)exn8OtxmwuvQR__=mLQm1Z@lyZ5jvcX
z<+NJWU(3ZOm;Y;!k>4n|cnhN*YJtXs!o$>a<{aA9X+B}u1GKeH66l6f?Gb=*4^Qbv
z)aYn+dc$7?>*^NUum$d$8HKmx{p`^ROj}GYBhu4FQyiDtm{tQKYy1l6A{=+Jr5*ph
zNPJ>sMpqw!il?fX)fZNsFkv;zJUY+4JCxDU(0OhT=nNh|empkv@mA3ve{2J#uSYrI
zY)StTc&<&5X#18v3)735*syxS@FOhe#ZiQ=`<4$sq0Lq^LIXh<Xxe)e472#*5h+YR
zSh+G6N@(1jW<D4d%3aROL!>#`1J+d*HnK3od(v0cGxJ5mMRSq69}2Bkcs>L;;?M-i
z?fLtkX459qJxBG9vweJN;#eb{=IADfwjZ8cG_IP~9W<hi3KK>(wn`E8`)oBzN@@#K
zw-^hkYQmb&-|UJ2ZQ9^>kSxArfMijx5}Uct{jbsEL;go4F+lRDSw49Zbk8fLcM^~3
z&r3gV=T}r-@FIc+!pk|ukMlqolnm+xpufD6yD56wIx)H*Hqb1nr;P|$y2@P!v{wu~
zv9+ERT7M@8iCd&H1qV6^Ylq^KfOM{d%z>YlfhX6>nIRW&g5zlH%xeT?-9CU3zcu?U
zOv?%|^y#_EeFUPWAKNLyXXQS6?*e%y7(l3rM)Pj(=x6{3ppF8Hl7rlgGZ#YLom?3x
znI|lLj-(FEs<S^3KJ-;IwoI1Xu))?g{*6!42XP#&ugMfFB1a+9kK=;}W%s4jb|Z56
z%yRgKoONlI@GWwd6wTL7T@HyjxFNzD_|b1#N@BXAd~24e)Sr+j3fi6z==kT)c5=oy
zwE!Lh1v5OUa4ijfMLxp%51>b^wa${c?Oo<e;TKjPx#n`L=O_$sC#dlbv?~o`HkRJi
zUQ2J3#iOwkkNU}xYi+j_U^*W{!g*OgA0x+K&8H@}D~x@!e*DS`C9G=Z*NMnemq3CJ
zuf}{mS^j4SCTAMC`o5{c8<PYY%l&k|c7_SmSFvrFh(GhN%R{;>B`L6FD^_6@Rgv9o
z6whKBUy{NF?1T&&0Qm=)01f{giiq=Rnq!Xc`@cp<PAHn2*ISxOEU>4h(8NlafPVLe
z4jtdSVLa!O{&=aXkxc-)q~>x#f5BFNv5y18k_*2(0Hua@zJ7z}ca;b7kf^ZKQBFjz
zBiy<N@S3!6Mm@z%A%bG7q1K4L&0<2TQm`k<zz8!oUA6Rlzab3Ak8QDX2+h76mKfMC
z%%sCkOKQOAB<D4uwbg}~D3%gt{uW3+MANaSUa^_iG^xwsa}>V5x|LQ|=mT%KT9FYw
z{^s;iMgfl`*h<U@mHxMu0n+z_7v8qFS9+5RM*pn&W0NqbG0uo!HTfmGQvsWo*KdLu
z6N5gFZ6!SnTh7CyQ+@!>f@)O3?Pk;|_;S`K(tu0>H4Bj*R&dv2F3#4Vi8Oa0euQM?
zI6}Dilce1`I$Hx){mo0CW-<jKe?!>$BU0<w?U25p)TaO27S4B)_%FTxNaP{KYaluR
zBj3>JA3b^$fzJEcI!bqV1l>-7p}sl7--!Rrz+crCq!6Gnm&v!^XPDU;vxg6;SVzg!
z<;xh1={kqIgNXkR`YD7GLjCe-Hl%BHoPLFaF?*brmNPIrH+B{x?SVCa%HL2$<smIc
z-Ds`gGiS~mbrL*Qa!LMp0(50sCIM)5rC{T2Xwj5p^?HLV$s{xiy^%#LT{%dz7qkQ2
z;8BNsdp95iD;4({_5a)#tM54R5BnIt_~4Hlx9o=0%mJ)`(#~Si%_f$?hTCk&fXY4<
z#LgU7ykT-N*f+zj|JQE6XuNo`0_<XJFt?#Y)nOIv`O!K)-VFwsI|!oja!5$Xz>RxA
z{7O$x9}|R!By6;mc7@kVe{?Y91Pl&%CKD6qyauv{exO<%;dc>xm5w;tbvF6lP;`fj
zTU_l!jMbE}bwl&AYizHbd2I)_Nv{!lqwOScT1V;<#cf<$y8hFpAN%sRyt0C7V>as?
z86@kLdz9=59SpFPGYnSst(<wI4|oQM)$?rF>q+S+@`VY{TxA-I_GdJ;dNa2@W*FED
zJXZ%rTtJ|)Q7f^%zv|WC_0pGi@199S&w25=qyT(@>UsIvHMK2BW9gG8PljOj)JFM0
z-c7ql<fW&QlI8j1!TzDQ&oc@!G!E>~25|WP2os;5;gNlv;Y(`bkeV!+Ngo=Q@Ndx<
zl7{*cA@v=CFg|Dif!qCE(FJlbf)`$q;}?azEuqKpf`fmJz?cvzgx^Kj0NkT5H3iL;
z3VeGAzCn<%@m&B?dA9PnqKn;RmzlrrcP_VD)>x$cO4UrX%IMFDNdVc)wt(yw5~4df
zISCx1`(rsA;Mq1wfZ)M6p`V+5ui__Y+bCktsKk6?{1?k+Bu}7UWn?*=^Zwoou+ak)
zr-0RY*X;PCwT&~Jh_jLK^Kfv<4x3t7Gngq(&!qXL#1@n(ypX?Y=5S+*KePx|H1ez1
zfvnqn$w`np%r887VV4{(60G9pms>1wHECso`hG7<h|H_=%gxPo1JYCmvL!&(5G-Sb
zYw`=+U$AjOELqP4(#Hox@`inon;Z`O$$2eI1R$+Oz;vNx(1QHWK5XFq(H*(dKHlE(
zHzgp&f)3_vYWCfIQ0T~XcMbvpwv|oBPC&TB@+RR2_o%2?nlv6iyRJ4x-;${xpp+<Q
zAi-Lh1v_5{fQpZkTjyZpz;zk~T5<WvZwKjjfgTFoKcN!=k_^}c`TuXnn8AZ#s)amJ
V-#>wGt3c3+W7g&$j=22xe*jCL_oV;;

literal 0
HcmV?d00001


From 0a12fe01f9a5b475f0924ab794117aa9150c33ab Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:01:31 +0800
Subject: [PATCH 09/21] change 7

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 1ccf52b..08d42e8 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -7,11 +7,11 @@
 
 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![][1]
+线性回归假设结果和特征满足线性关系，即![][1]  
 [1]: 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![][2]
+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![][2]  
 [2]: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。  
 
@@ -87,7 +87,7 @@ 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）
+！[sorry](./media/image_plt.png)
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
 

From ca40c69fb673c2afaf4527c40973ffd6e81b96c8 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:06:59 +0800
Subject: [PATCH 10/21] change 9

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 08d42e8..66568b7 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -8,11 +8,11 @@
 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![][1]  
-[1]: http://latex.codecogs.com/gif.latex?h_{\Theta} \(x\)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3
+[1]: 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![][2]  
-[2]:http://latex.codecogs.com/gif.latex?z=h_{\Theta} \(x\)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3
+[2]: 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)）。下面在python环境下进行模型的演示。
@@ -87,7 +87,7 @@ 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)
+![sorry](./media/image_plt.png)
 
 参考资料：http://blog.csdn.net/olanlanxiari/article/details/48086917
 

From e03d1f8889226a7e647b183ba949c6a50002a182 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:11:53 +0800
Subject: [PATCH 11/21] change 10

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 10 ++++++----
 1 file changed, 6 insertions(+), 4 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 66568b7..b078948 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -1,5 +1,6 @@
 # Linear Classifiers and Logistic Regression
-----手把手教线性分类器和逻辑回归
+##----手把手教线性分类器和逻辑回归
+
 
 ## 线性分类
 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。  
@@ -12,20 +13,21 @@
 ，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![][2]  
-[2]: http://latex.codecogs.com/gif.latex?z=h_{\Theta} \(x\)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3  
+[2]: http://latex.codecogs.com/gif.latex?z=h_{\Theta}=\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)）。下面在python环境下进行模型的演示。
 
 ### 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。
+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。
+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

From b4272e8fb197e03e02bcf1185b57e82efdfc66d0 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:14:04 +0800
Subject: [PATCH 12/21] change 11

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 5 +++--
 1 file changed, 3 insertions(+), 2 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index b078948..df19fe7 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -12,8 +12,9 @@
 [1]: 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![][2]  
-[2]: http://latex.codecogs.com/gif.latex?z=h_{\Theta}=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3  
+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  
+![][2]  
+[2]: 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)）。下面在python环境下进行模型的演示。

From f02de7126e118b65d2e2bf60d4a75853fe892d40 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:16:34 +0800
Subject: [PATCH 13/21] change 12

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 3 +--
 1 file changed, 1 insertion(+), 2 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index df19fe7..8d7435a 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -13,8 +13,7 @@
 ，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  
-![][2]  
-[2]: 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?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)）。下面在python环境下进行模型的演示。

From 09f1c083f74d79f5c44bea02cd309d594db31590 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:18:01 +0800
Subject: [PATCH 14/21] change 13

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 8d7435a..b4ad10e 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -9,11 +9,11 @@
 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![][1]  
-[1]: http://latex.codecogs.com/gif.latex?h_{\Theta} \(x\)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3  
+[1]: 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)
+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}=\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)）。下面在python环境下进行模型的演示。

From 388d8ddef483d004ffe3837f6a866670d798c4ca Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:19:40 +0800
Subject: [PATCH 15/21] change 14

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index b4ad10e..b4699f2 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -13,7 +13,7 @@
 ，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}=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3)
+![](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)）。下面在python环境下进行模型的演示。

From ec880c2104fe153020fb44edbab8eeece3fc8d81 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:21:17 +0800
Subject: [PATCH 16/21] change 15

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 10 ++++------
 1 file changed, 4 insertions(+), 6 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index b4699f2..f1a9ddf 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -8,13 +8,11 @@
 
 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![][1]  
-[1]: http://latex.codecogs.com/gif.latex?h_{\Theta}\(x\)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3  
+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。  
+![](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)）。下面在python环境下进行模型的演示。
 
@@ -22,13 +20,13 @@
 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：  
+#### 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：
+#### 包管理软件安装方式：
 ```
 sudo yum install python-pip
 sudo apt-get install python-pip

From d82ec8c303ec4581f7a664d7d22d18032692529b Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:27:00 +0800
Subject: [PATCH 17/21] change 16

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 11 +++++------
 1 file changed, 5 insertions(+), 6 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index f1a9ddf..42d7f17 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -1,5 +1,4 @@
-# Linear Classifiers and Logistic Regression
-##----手把手教线性分类器和逻辑回归
+# Linear Classifiers and Logistic Regression -- 手把手教线性分类器和逻辑回归
 
 
 ## 线性分类
@@ -14,10 +13,10 @@
 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)）。下面在python环境下进行模型的演示。
+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。  
+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：  
@@ -31,10 +30,10 @@ python get-pip.py
 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。
+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
-线性回归：使用sklearn自带的糖尿病预测数据集。
+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、运用流程

From cd4a73b3da1e113326236c5ef3412e0f16853d80 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:36:56 +0800
Subject: [PATCH 18/21] change 17

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 4 +++-
 1 file changed, 3 insertions(+), 1 deletion(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 42d7f17..6e2e4cb 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -86,7 +86,9 @@ 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)
+![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
 

From 6b218ef3f9c01d612d1de2d8c74bf0a629ee1216 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:43:53 +0800
Subject: [PATCH 19/21] change 18

---
 .../image_plt.png                                | Bin 8951 -> 0 bytes
 .../main.md                                      |  11 +++++++----
 2 files changed, 7 insertions(+), 4 deletions(-)
 delete mode 100644 Linear-Classifiers-and-Logistic-Regression/image_plt.png

diff --git a/Linear-Classifiers-and-Logistic-Regression/image_plt.png b/Linear-Classifiers-and-Logistic-Regression/image_plt.png
deleted file mode 100644
index aefe44ac2a38de4cb30c17554f176c8169da9fd9..0000000000000000000000000000000000000000
GIT binary patch
literal 0
HcmV?d00001

literal 8951
zcmeHtc|6qX+y7^VEQexL$TCEQk|kwdrV^zNQPF}Sp|UTLZDyP{*^82dN~MluI}8Rh
z*>@=#vJA2|!(cF&?RV>(^DN)zJipiT@9*_{yk6$R=l(4BeO>SCy586Op8Kb*EjRxn
z^9uw)n@=1!w}T)!4uW7KLIU8-q3*$PaNrL*a^kEI_=yy{5(EAh_CJ0h2!h01H-2Gn
z&2q0nkRo)#{P5YE&t`|P@#CRRs|)1dSk%nyo=?9GWIXEThrPfp%BB~Kz%6oayNVX8
zz0?-EJd1qw{8)~y+uD(%l_z(zg|xL%HUZMM2S=GcJMKR}ZMAmJHt5b!_3l45g%sRF
zYUxqTOuZw_R(#EZjIuNPyI2dyg$4&BLeXmE&JxC26(!q>NTCZtP)oT>4<7^-68IG%
z)aC#E_>VTwkXwc#`tNU58Ebx^T;xZod3$zm4pI<menFu(b>~=qFK*L_6VW)%DA9tI
z^I0a!-JhA6u}y+O&+bi3OuX&Ao`ZDT#XquzHh|YuDmFuH-MUpdO8{zib8}OElbcJA
zQm}ad4Mumg)qoMWIJEL4)sJGusMUi|wf_T8$nkH6M4bxAalUw2FE20cLx;8}SSbJA
z`{QlXm?gMh>ujdA%H-6Po4fnOF!_4vMRg4gi;{l1(JS78!qSlRQ|sKV`S#S*)wr1R
zPEHB-dD}CsJ<U@B4#0#U(PQAbYin!MOqM5mc+yL7i(HIz0e&DSK<4Kte!%2=3NdAw
z#X0Znoal=u#GNVHzA@79?c2B0WLvqPfA{qC{QdW_obH&5`I3*U+}kJxXZLEGn8+ts
zxTUFl4+aaDj=f$g6BieUKzN#uOcqE<N<I_R7uZ<B!440dZ?hpZ3Xzve_A0&j$AHfi
zlz86?n^*m9ytt?ck&=>9R8xZl2HfyWW23&Aa6JpJ5)DC{-rDDB>*(nG(AF18!@(d4
zW$1rD{$H^H?#22#S$U6&GIAj%2F>Y>;c@A<HuW<bAqk-t!mFKw2}9>EU5b16?%mac
zGPe2l_ttexnH4cACNni?Kkq9GOb*>La{A~|jx8<O27)~wH_Wu|p)Nnk%uJ}LsMt7!
zS0e%7RVln|p215ygF{^FvNGLNg*tIz6r@`8GdT9y+uK`*Mcue@=wklYM5TEjzqVSs
z17>27>dgAa;3Bq}LvYlI<?!k!+1W`LBDRt4Qxh^mik@B$uONC76#_aAU0ALDac-c1
zM<phfFSZU+vYeE_Y+h9k&F#o$XTArSWN|SNEXIdOUigmCjC8HvBxPQ;)-k}NiAAZ#
zHBi>`5AX57_wmD_-KCEilZ2prR%fV^ho^GQ{GCWM#@9>ANZx9s*A96Qa=Q;5I&@>0
zI#;edw%DdTSK-MjATE85x#WBQZLfe_@`C^n_g24mUp3FSkF$DRJVAHZ`{+qlR-#2t
z0NpE_;~j#f*l@>J7MOqJ9(!M48A-h~=2w8gL8t9{uOE_>l2TUcj3ITPHPzM4OD`sf
zVYEbuDrR9Ux{+R5<}A~XC#kKiy;Rh{3B<J3`+jc=!cZcI#mrs|2k#3Z$a{Hpyggg2
z65>6T#M2+EzaPV_(Hp}s_g!@fIrf^^JM16W-`5w@($aDsjZPBg{lZU@Hd;HOXvY11
zX2FIRd`w+^oFzByM2}sarD)tFIgN7$_J~8rkAS)48oTd7E<I<X8KYvB#`Lg;j{0dK
z;KvGOOC@UpJklDydZhk4(qYgzJ}Y9w0j9h)Z#T=V)rh`2C42kgx{L<&+J@uPvFs*w
zHfC<B3{412ZPOzf^yS{B`DnoSP$wL*QT0^kG{4#LEA^S7-#Rk(W<ziil3ASQp1nG8
zpP0>Cqp7CRF%In4?J78E+t|39<(oHeUIK%cUX))x|2kmIyxvVgcA>Xm@)EZ9971pS
zJna-s9xjf1K@B$4HZxP$w{IV_#y+q2azKFg(~e0Yl>t_wd|dhJ7@JC2DT{HaDJ~D|
z%W#AXxV!~`{^Mf)nK4bJ%Rd2XA8eS3__Yi#Z}8A*vO^ZDuy(vG$AP_(mr0+N{={fL
z@<8d@w`e}Wmt^Yf%GHRk`|;yut-F;7y9Vi&#>|R_&W7PV5KQ{1FFvAC1*<}3vWlvz
z<c54hrE<Szn9fJ5v$Iy~BdPQ%9TB3X$?ts?s)8Gjf1jVf`G!;M@X{M~w)1N3EZI5O
zww}j9OJdR-?bzO__aJ_ktH2a@D>Zg&MqQJ{VCMw~3VaS0JCT|aj}7v;4P6#%z+ZRY
z{1Z5f+ENm7x2h;1In(OwVMf+0869<F<r+oBEIn%TGtG?&oXzV!@8}pGqpu9t!&Vm-
zCbPqEO^NO>hkT1c3~Pl-;jRF$E~QC^oPyw5Xa6cIW<CSge?l{J$pDv^cT0X^u{+6Q
zlo{)=%}8qI-4gy=o{fgAtgN<y!44{w3ec_nBLHfQRf!&)dVFb-KAF&*7+92n*B>UD
z2=n891G9LNp1xyQT6tNFC$8Nrm=!vFO;3|hx7!7hF4n8jCiG;eZ~;zZzBkEF)XquZ
zAgx^v&gpk33f$2ZuYz)=flZNJCJ3_?w}vhOl^_tVAubHnw1TMpl=ZxVvW&FutvJXZ
znJC{z%+OOBlc&e5W>VCAk<zyzejM!m2aBHTYh*0V4bc^59l#*1iQ}N;x+znsg;y#Q
zXe?_Mkra6aoVVUcCsUthuE-iKHd35I-HpN<6utw?kR*ra?*bPty#y|dT!^x)Fdp9t
zred@k(A-@?K_HuPmj?=>zLo&bStc2_-l=Xd!9lwU$Zd&%YX!VkJeL$5BkQXgvPbnH
z#IJZElw#8NMQ?bmGbW8#RUYPo2Tpz%G~k0s!bWnJ6?ix6OR}8?jSB|``GimhhM6@q
zZcWufC~LOAam#{bKe*b8URuymOK;HZ#1GqQq-LHZL8)I;vgH=~yC%_CcKJ}%tHTid
zwBe&x7pl!OX||V(Ca@dMZgo_wB&JO^Pz>WAl8&cHVP9E7@WR}o8xE5GOai)QnaHJH
zSQ?57EeiUm53EW%fggT)hw?gY@)GYc{>o_RybBm{9zmj@l~f{&Ks!@awM9PmNxGW1
zTwe+xClR%W$Qzj&7@R{zm@RB==-`V;2S9&svTz@PAAE@AFl(e1NP?1jVyV&Kyt+Z_
zrdYSFLXex=ryNI(ih5fOe^c-vWxZ)z4Pe`)p)k*)pu-nH8nW;JS8#t66wgP{BjPee
zT04Q2X_Z9IKulWIF5Y^EUt;-K?AT;<53o>3hnMr#fV$0VWFzo`oe)fQu#4**QlY15
zS%E47FSrwsDiW`ffr6xer(>~&IgZE`Ez1g$FIcr`!(t$?2N7Gd3~+diqDQ<yb0npM
zn~Z*jLRx4^<D{(y9Rth+^HhOg`kGko)P+?Odf3`mN@S2EhRBR)=-lMp1v0U~Vo$CG
zn?;;L^Lh&`jDOeyi-=l72Lh{|H7kdFL6T_b={b8)CIL{h9HfYT$8*_(iO2+y-7b5;
zLM)&IcK;n?CG7!ASt}PzelQbk*nPd!`aUrxrnk5EYU#!9nP7{9JN((JE|wMM`mLK*
zBw)?Q|4MiNxg--zWOmKUQkvm&FtKJlCVahSo^NFfxEhpS9n&?V3q(p1Anwy41cLtd
zS5#$%mRkC#SQnnl#G1v`_(kUQRp2fQp)4-@`1rh~;us81?BhEWMs~Izhr)}J#Q24s
z1V(Bo7QX%9$<wDYKMY;8Y%qcKo@N<X&Me;2c<}+S2TcRKaKi+>*NZAED<`6GkF0hB
zat=-*P6_6m8}B}T%lA|HR91|j$yHS|8EIt=n2yBX<u|T6#fKa2>iRJZw=4I{jCr+l
zQh$H{lZ=cwaCl3m8VzqZn@$|ws#1KidQ7bK1a#oQKQZWs&s-G}##N<8y!UeQKM)_Z
zH8xtDvbJtqUk^WZ>QsFAGn2Lylp>4u+_@n8MkssI2XRkKVR(g}RDd;k>D<LDQQ*$U
z7|k^kkt>FD${g&9=)Yw?ExTKC3BhGVv?+Tu2F-3@n+0J^FT1*u4oBPh3ro9*(#Eg8
zGUI%qJ@gq~jo`6L+N#FHK2K~#;k5ltEtUTY9iAt93Twe$vJo@9uvW48&Ng8%uGQRq
zJTY)b7NBMf1|!!IQvhsOUVc?s=Jlk67D>7}=-}tYMZK|F5eD|aglbxl?8*nPzLWfl
zq$hprS6?Z_VR+_CER{g4f@Otw0h!vsX0sn>m-+rp*#JIhzrcjFES`3F3<fmG2h5KU
zkC~e(B~GnZX0N|v)h5kuE~d(~9*5xZ4?>AX;6-^057UhIlh+-HhH*8#wd~&n_oZjj
zD(@aB6y|pkty*nB&?C^?<xJ~(5%l>%WA{)~!iN{9z>I`8hi4CyYa|z9EVt>Lv=ZpQ
zvDtkbEJ8?hJ$~4&X~TVf`irzm=kw?Nk&3TD`VHxRK8gp7<e1cUy)(a;4d2Mj<m>ar
zXYw6?cW(Vs)XJ|K$UU3K7pm!-F_PKX19YSf{6rGdj|suIP3}YAzuE34z>*oovwrWr
z-rn9GA1>N=4v-qrehT~7kaRsiHs`aZL7iBi6I|To_{DrsEE#%?d@O6AWSW(RRSQ<f
z>6G(}79PEYoCu`mZ=`SS5@;MGo6av_UPXu^KQuTYdIW-tUi~y5<fowJ3sQP=U3bo{
z>`_lQL9Gv9)duV)?3Hf4W?R=<G3ik7CK10#H%W|5m=#FJ?6z95J|l3G|HCFz-LW=w
zCy}ekJ219fpy`XmDG8x)(vfaWxn}YUJ-L!PBB*YD#pFK@*ZD<76|!Kk#s?7pLjY+-
zcim{HrLWIFRRjf!qQrc97kHyVI?wC2!f6k<xN5#$)lLy&t_i59mL^uKuxtKeisPTC
z%P$9J8^3+Kc<R?*H+t3UrG`I>^y3cG>4dq;7_Wl;9+J3#U68Bnf0v=2`F@&bwR<iq
zEQy}pqXDZk0Bj6or`&q9dHs(c*8x+T4mMPN8lSScvdAsUgwVc^i#scf(vNd4kOFA#
zri|S!>>zKE(-*IH_QP8$7vqd5^3|OSe0D0(sQQ0t7o48O(j!&kYD5H9bJG&!p<D@^
zza&rrjyg4UMviR-33~P88qs1E=KU*FdjTwJ^9}i_sULYI^AVjvi}}R)Bcp<apk?sv
zzIyPbecrJNb-na+e>VewZ@qS9aBF1!+VR|{Ud7X_k7BWzBF{zn6`vggWV@lEAtpvg
z$)7<M5fSO+lPf-~7c#g}3&?2n;3>#m85)%XG4#j4Y#$NJQ!4=C!&Ur1Crs|;;W|2j
z0;+lJzSs=m=kG!G=`2@FOGrp~^6Xjs^78T%{}1Nx!X%DsuX8?zFnlqaN!B-cE4##-
zUti2`1h9SEq?+J|H5%I~wu1&7N}30lq&-c-8WY-$j<fr_MYJM;iwDm+xQ{YLh{=8&
zKBOWWiroc8*LwTXZc;A+NDooLf+)QGAsV=z3PEw{%EKWH3-e$CqASt^K-hl|Oh~i?
zV7dnRU|PT!_do(iN(6Pqg&rWL=<hsNW5lZWOI|H0;&U+;Lb)g^aIS8!+=m+gBi%&c
zP#S<N{8b>)kwx=-(hhKO{oHU95h9*wLRt4J=y*w=?mp54cM<f4!^#eVd~Fl8cWg(O
zs)r<W_ap?*l|IPU)m2)V-3Lx=)N{)UXjh{NF1e5%*<`B$sY&3HpJO>>bvBYc!bS&8
zf3h14{_^qs#f!1d1rCG$&^Bx6$Pw<iP4T?f!Nq*+=M<%39@o0(`WI~@BiW#!ppC<F
zxCv+=it6B}rC~zCPqI2|>6%<6%DSv?vj)RC!bjy|zWw|6@1HHQ^78UP#WhzXA<xY)
zhdP34baizv2L>MaN+!G2Zk^q6^w!)ohdrg7HGi9iWrkOSGUQoLiJ}lBN-yr;qF^f5
zd;P|}6gUk@r<lTS+x>o4AdVO@*J8Rb5D$ttXf(b81qujFe>EC{DR8Y{5~HIZO0U>z
z07O^RSPtKS;>EI|S|oGUPbw(24UmWr^hcrc(D$R@<Z_D*pzO)_#(7T<cY+nm*yi=V
z41Da>0tzdT*>WC)p45iiHm+n?VpH!>O0pjLan57~V(#fV{7cv1!Y4#Rf+$aV^0c*<
zUP%SUYr6!{((c*G^VH4g04OfP^0;T5LFMW8#pm>UXYup|U9QOSmGG54D3KK~X`K*3
z$J`wJe%I*ezbJEcDp*q11ZP0QMf%dMyObg~gp||Sc6CtMJv=;O*CrvFAxy~aN*{1G
z$sS}uw~;wQ9AJ!4nG)oB+qcF*gm_Y;g?Fe{43`P?yO5R^SvAwukJ(AL1hGm?vg!97
zi0t*V(RHxoZ7?Ci^Di^?Y<A@P_mLV(9)Z}Q1U(DK8|PfzV9Ba5p-rIKTzDyUNLh)O
z9)=&13|O0J=-@|v<5%3KYSg+LyShCrRRr=b7UsYEp3+t8mmI|2B7ZR!gJ#1DjrbKs
zTbx2SV^U9=?^fDdR90sH>Fm#-F$$hO4I;tWu-V}pW+}TJsDFh`a9jz<Oj*v%O3*oS
zXjSO$gfDdkcJJz!mVyE0f$!nR<qM;vKYhv0x<gqePhH|Ircq=bwQjO~XG~2c?=!1B
z;qU6Y6R4VnP5c|rO8zq0m}rAFq^xU3sSSuPc7~en{97TU{Oy)@;z?=f?u*a#h_^j!
z-~L@wxPSk?ZPL-h0{tDb2v8}H8P7+1)?gM>P=9vmtK(uW{8d;ZLGiL4x>#jKC~JxV
zdU4Rw8PL-qm-8U~jZb&S9Ok)y@|>Poe5X<901}AO*gkZN#`0tWQAD%7)`tB$?;nWS
z21_-OA(info*>MCCK<_i5=ku}XvEbhu%Gu;Nc(}h@^{3o|Ew4L5km1M8K@A_udgD=
z`<xLAouQLx-a?XC;IM-GS5U72H$z}E_CB)exn8OtxmwuvQR__=mLQm1Z@lyZ5jvcX
z<+NJWU(3ZOm;Y;!k>4n|cnhN*YJtXs!o$>a<{aA9X+B}u1GKeH66l6f?Gb=*4^Qbv
z)aYn+dc$7?>*^NUum$d$8HKmx{p`^ROj}GYBhu4FQyiDtm{tQKYy1l6A{=+Jr5*ph
zNPJ>sMpqw!il?fX)fZNsFkv;zJUY+4JCxDU(0OhT=nNh|empkv@mA3ve{2J#uSYrI
zY)StTc&<&5X#18v3)735*syxS@FOhe#ZiQ=`<4$sq0Lq^LIXh<Xxe)e472#*5h+YR
zSh+G6N@(1jW<D4d%3aROL!>#`1J+d*HnK3od(v0cGxJ5mMRSq69}2Bkcs>L;;?M-i
z?fLtkX459qJxBG9vweJN;#eb{=IADfwjZ8cG_IP~9W<hi3KK>(wn`E8`)oBzN@@#K
zw-^hkYQmb&-|UJ2ZQ9^>kSxArfMijx5}Uct{jbsEL;go4F+lRDSw49Zbk8fLcM^~3
z&r3gV=T}r-@FIc+!pk|ukMlqolnm+xpufD6yD56wIx)H*Hqb1nr;P|$y2@P!v{wu~
zv9+ERT7M@8iCd&H1qV6^Ylq^KfOM{d%z>YlfhX6>nIRW&g5zlH%xeT?-9CU3zcu?U
zOv?%|^y#_EeFUPWAKNLyXXQS6?*e%y7(l3rM)Pj(=x6{3ppF8Hl7rlgGZ#YLom?3x
znI|lLj-(FEs<S^3KJ-;IwoI1Xu))?g{*6!42XP#&ugMfFB1a+9kK=;}W%s4jb|Z56
z%yRgKoONlI@GWwd6wTL7T@HyjxFNzD_|b1#N@BXAd~24e)Sr+j3fi6z==kT)c5=oy
zwE!Lh1v5OUa4ijfMLxp%51>b^wa${c?Oo<e;TKjPx#n`L=O_$sC#dlbv?~o`HkRJi
zUQ2J3#iOwkkNU}xYi+j_U^*W{!g*OgA0x+K&8H@}D~x@!e*DS`C9G=Z*NMnemq3CJ
zuf}{mS^j4SCTAMC`o5{c8<PYY%l&k|c7_SmSFvrFh(GhN%R{;>B`L6FD^_6@Rgv9o
z6whKBUy{NF?1T&&0Qm=)01f{giiq=Rnq!Xc`@cp<PAHn2*ISxOEU>4h(8NlafPVLe
z4jtdSVLa!O{&=aXkxc-)q~>x#f5BFNv5y18k_*2(0Hua@zJ7z}ca;b7kf^ZKQBFjz
zBiy<N@S3!6Mm@z%A%bG7q1K4L&0<2TQm`k<zz8!oUA6Rlzab3Ak8QDX2+h76mKfMC
z%%sCkOKQOAB<D4uwbg}~D3%gt{uW3+MANaSUa^_iG^xwsa}>V5x|LQ|=mT%KT9FYw
z{^s;iMgfl`*h<U@mHxMu0n+z_7v8qFS9+5RM*pn&W0NqbG0uo!HTfmGQvsWo*KdLu
z6N5gFZ6!SnTh7CyQ+@!>f@)O3?Pk;|_;S`K(tu0>H4Bj*R&dv2F3#4Vi8Oa0euQM?
zI6}Dilce1`I$Hx){mo0CW-<jKe?!>$BU0<w?U25p)TaO27S4B)_%FTxNaP{KYaluR
zBj3>JA3b^$fzJEcI!bqV1l>-7p}sl7--!Rrz+crCq!6Gnm&v!^XPDU;vxg6;SVzg!
z<;xh1={kqIgNXkR`YD7GLjCe-Hl%BHoPLFaF?*brmNPIrH+B{x?SVCa%HL2$<smIc
z-Ds`gGiS~mbrL*Qa!LMp0(50sCIM)5rC{T2Xwj5p^?HLV$s{xiy^%#LT{%dz7qkQ2
z;8BNsdp95iD;4({_5a)#tM54R5BnIt_~4Hlx9o=0%mJ)`(#~Si%_f$?hTCk&fXY4<
z#LgU7ykT-N*f+zj|JQE6XuNo`0_<XJFt?#Y)nOIv`O!K)-VFwsI|!oja!5$Xz>RxA
z{7O$x9}|R!By6;mc7@kVe{?Y91Pl&%CKD6qyauv{exO<%;dc>xm5w;tbvF6lP;`fj
zTU_l!jMbE}bwl&AYizHbd2I)_Nv{!lqwOScT1V;<#cf<$y8hFpAN%sRyt0C7V>as?
z86@kLdz9=59SpFPGYnSst(<wI4|oQM)$?rF>q+S+@`VY{TxA-I_GdJ;dNa2@W*FED
zJXZ%rTtJ|)Q7f^%zv|WC_0pGi@199S&w25=qyT(@>UsIvHMK2BW9gG8PljOj)JFM0
z-c7ql<fW&QlI8j1!TzDQ&oc@!G!E>~25|WP2os;5;gNlv;Y(`bkeV!+Ngo=Q@Ndx<
zl7{*cA@v=CFg|Dif!qCE(FJlbf)`$q;}?azEuqKpf`fmJz?cvzgx^Kj0NkT5H3iL;
z3VeGAzCn<%@m&B?dA9PnqKn;RmzlrrcP_VD)>x$cO4UrX%IMFDNdVc)wt(yw5~4df
zISCx1`(rsA;Mq1wfZ)M6p`V+5ui__Y+bCktsKk6?{1?k+Bu}7UWn?*=^Zwoou+ak)
zr-0RY*X;PCwT&~Jh_jLK^Kfv<4x3t7Gngq(&!qXL#1@n(ypX?Y=5S+*KePx|H1ez1
zfvnqn$w`np%r887VV4{(60G9pms>1wHECso`hG7<h|H_=%gxPo1JYCmvL!&(5G-Sb
zYw`=+U$AjOELqP4(#Hox@`inon;Z`O$$2eI1R$+Oz;vNx(1QHWK5XFq(H*(dKHlE(
zHzgp&f)3_vYWCfIQ0T~XcMbvpwv|oBPC&TB@+RR2_o%2?nlv6iyRJ4x-;${xpp+<Q
zAi-Lh1v_5{fQpZkTjyZpz;zk~T5<WvZwKjjfgTFoKcN!=k_^}c`TuXnn8AZ#s)amJ
V-#>wGt3c3+W7g&$j=22xe*jCL_oV;;

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 6e2e4cb..56640a1 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -1,7 +1,7 @@
 # Linear Classifiers and Logistic Regression -- 手把手教线性分类器和逻辑回归
+ 
 
-
-## 线性分类
+## 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。  
 
@@ -36,7 +36,7 @@ sudo apt-get install python-pip
 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、运用流程
+### 四、运用步骤
 导入数据:  
 ```
 from sklearn import datasets
@@ -90,6 +90,9 @@ plt.show()
 
 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
+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
 
 

From 24f5805551e6be0e5286692d7948d09eebe05711 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:45:28 +0800
Subject: [PATCH 20/21] change 19

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index 56640a1..f9d0bee 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -91,8 +91,8 @@ plt.show()
 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
+>http://blog.csdn.net/olanlanxiari/article/details/48086917
+>http://scikit-learn.org
+>http://www.cnblogs.com/yhl-yh/p/6714950.html
 
 

From f241ccdf3938af2be06f2fd5ead0835c7f08ecd3 Mon Sep 17 00:00:00 2001
From: jwliao <lwj114@mails.tsinghua.edu.cn>
Date: Mon, 11 Sep 2017 01:46:51 +0800
Subject: [PATCH 21/21] change 20

---
 Linear-Classifiers-and-Logistic-Regression/main.md | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/Linear-Classifiers-and-Logistic-Regression/main.md b/Linear-Classifiers-and-Logistic-Regression/main.md
index f9d0bee..1630b3e 100644
--- a/Linear-Classifiers-and-Logistic-Regression/main.md
+++ b/Linear-Classifiers-and-Logistic-Regression/main.md
@@ -91,8 +91,8 @@ plt.show()
 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://blog.csdn.net/olanlanxiari/article/details/48086917  
+>http://scikit-learn.org  
 >http://www.cnblogs.com/yhl-yh/p/6714950.html