diff --git a/notes/image/20180109_144040.png b/notes/image/20180109_144040.png
new file mode 100644
index 0000000..cc9c7cc
Binary files /dev/null and b/notes/image/20180109_144040.png differ
diff --git a/notes/week3.md b/notes/week3.md
index ba15876..e8497d4 100644
--- a/notes/week3.md
+++ b/notes/week3.md
@@ -1,10 +1,42 @@
 [TOC]
 
-# 6 Logistic Regression
+# 6 逻辑回归(Logistic Regression)
+
+## 6.1 分类(Classification)
+
+在分类问题中，预测的结果是离散值（结果是否属于某一类），逻辑回归算法(Logistic Regression)被用于解决这类分类问题。
+
+- 垃圾邮件判断
+- 金融欺诈判断
+- 肿瘤诊断
+
+肿瘤诊断问题：
+
+![](image/20180109_144040.png)
+
+肿瘤诊断问题是一个二元分类问题，则定义 $ y \in\lbrace 0, 1\rbrace$，其中 0 表示**负向类(negative class)**，代表恶性肿瘤，1 为**正向类(positive class)**，代表良性肿瘤。如图，定义最右边的样本为**偏差项**。
+
+在未加入偏差项时，线性回归算法给出了品红色的拟合直线，若规定
+
+$h_\theta(x) \geqslant 0.5$ ，预测为 $y = 1$，即正向类；
+
+$h_\theta(x) \lt 0.5$ ，预测为 $y = 0$，即负向类。
+
+即以 0.5 为分类**阈值**(threshold)，则我们就可以根据线性回归结果，得到相对正确的分类结果 $y$。
+
+
+
+接下来加入偏差项，线性回归算法给出了靛青色的拟合直线，如果阈值仍然为 0.5，对于明明属于负向类的情况，算法会给出正向类这个完全错误的结果。
+
+不仅如此，线性回归算法的值域为 $R$，则当线性回归算法给出如 $h = 1000, h = -1000$ 等数值时，我们仍会给出结果 $y \in \lbrace 0, 1\rbrace$，这显得非常怪异。
+
+
+
+区别于线性回归算法，逻辑回归算法是一个分类算法，**其输出值永远在 0 到 1 之间**，即 $h \in (0,1)$。
+
+## 6.2 假设函数表示(Hypothesis Representation)
 
-## 6.1 Classification
 
-## 6.2 Hypothesis Representation
 
 ## 6.3 Decision Boundary