diff --git a/notes/image/2413fbec8ff9fa1f19aaf78265b8a33b_Logistic_function.png b/notes/image/2413fbec8ff9fa1f19aaf78265b8a33b_Logistic_function.png
new file mode 100644
index 0000000..6d7a62c
Binary files /dev/null and b/notes/image/2413fbec8ff9fa1f19aaf78265b8a33b_Logistic_function.png differ
diff --git a/notes/week3.md b/notes/week3.md
index e8497d4..006a0b1 100644
--- a/notes/week3.md
+++ b/notes/week3.md
@@ -14,7 +14,7 @@
 
 ![](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**。
+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
 
@@ -36,7 +36,25 @@ $h_\theta(x) \lt 0.5$ ，预测为 $y = 0$，即负向类。
 
 ## 6.2 假设函数表示(Hypothesis Representation)
 
+为了使 $h \in \left(0, 1\right)$，引入逻辑回归模型，定义假设函数
+$$
+h_\theta \left( x \right)=g\left(\theta^{T}X \right)
+$$
+对比线性回归函数 $h_\theta \left( x \right)=\theta^{T}X$，$g$ 表示逻辑函数(logistic function)，复合起来，则为线性回归函数。
 
+一个常用的逻辑函数是 S 形函数，叫做 **sigmoid 函数**（如下图），其公式为 $g\left( z \right)=\frac{1}{1+{{e}^{-z}}}$。 
+
+![sigmoid function](image/2413fbec8ff9fa1f19aaf78265b8a33b_Logistic_function.png)
+
+应用 sigmoid 函数，则逻辑回归模型：$$h_{\theta}(x)=g(\theta^Tx) =\frac{1}{1+e^{-\theta^Tx}}$$
+
+$h_\theta \left( x \right)$ 的作用是，根据输入 $x$，参数 $\theta$ 计算得出”输出 $y=1$“的可能性(estimated probability)，概率学中表示为：
+
+$\begin{align*}& h_\theta(x) = P(y=1 | x ; \theta) = 1 - P(y=0 | x ; \theta) \newline & P(y = 0 | x;\theta) + P(y = 1 | x ; \theta) = 1\end{align*}$
+
+
+
+以肿瘤诊断为例，$h_\theta \left( x \right)=0.7$ 表示有 $70\%$ 的概率为恶性肿瘤。
 
 ## 6.3 Decision Boundary