add english version to logestic regression

3_kmeans/1-k-means.ipynb

@@ -955,7 +955,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.6.5"
+   "version": "3.6.8"
   }
  },
  "nbformat": 4,

4_logistic_regression/2-Logistic_regression.ipynb

@@ -114,7 +114,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "逻辑回归本质上是线性回归，只是在特征到结果的映射中加入了一层函数映射，即先把特征线性求和，然后使用函数$g(z)$将最为假设函数来预测。$g(z)$可以将连续值映射到0到1之间。线性回归模型的表达式带入$g(z)$，就得到逻辑回归的表达式:\n",
+    "逻辑回归本质上是线性回归，只是在特征到结果的映射中加入了一层函数映射，即先把特征线性求和，然后使用函数$g(z)$将做为假设函数来预测。$g(z)$可以将连续值映射到0到1之间。线性回归模型的表达式带入$g(z)$，就得到逻辑回归的表达式:\n",
     "\n",
     "$$\n",
     "h_\\theta(x) = g(\\theta^T x) = \\frac{1}{1+e^{-\\theta^T x}}\n",
@@ -262,6 +262,7 @@
     "        pred_func (callable): 预测函数\n",
     "        data (numpy.ndarray): 训练数据集合\n",
     "        label (numpy.ndarray): 训练数据标签\n",
+    "        散开数据，但是不在原来的数据上做修改\n",
     "    \"\"\"\n",
     "    x_min, x_max = data[:, 0].min() - .5, data[:, 0].max() + .5\n",
     "    y_min, y_max = data[:, 1].min() - .5, data[:, 1].max() + .5\n",
@@ -272,7 +273,7 @@
     "    Z = predict_func(np.c_[xx.ravel(), yy.ravel()])\n",
     "    Z = Z.reshape(xx.shape)\n",
     "\n",
-    "    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)\n",
+    "    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)   #画出登高线并填充\n",
     "    plt.scatter(data[:, 0], data[:, 1], c=label, cmap=plt.cm.Spectral)\n",
     "    plt.show()\n",
     "\n"
@@ -350,7 +351,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 2. 如何使用sklearn求解逻辑回归"
+    "## 2.如何用sklearn解决逻辑回归问题?"
    ]
   },
   {
@@ -478,7 +479,7 @@
     "\n",
     "针对机器学习的问题，一个比较好的方法是通过降维的方法将原始的高维特征降到2-3维并可视化处理，通过这样的方法可以对所要处理的数据有一个初步的认识。这里介绍最简单的降维方法主成分分析(Principal Component Analysis, PCA).\n",
     "\n",
-    "PCA寻求具有最大方差的特征的正交线性组合，因此可以更好地了解数据的结构。在这里，我们将使用Randomized PCA，因为当数据个数$N$比较大是，计算的效率更好。\n"
+    "PCA寻求具有最大方差的特征的正交线性组合，因此可以更好地了解数据的结构。在这里，我们将使用Randomized PCA，因为当数据个数$N$比较大时，计算的效率更好。\n"
    ]
   },
   {