diff --git a/README.md b/README.md
index 537d5bb..7d848bf 100644
--- a/README.md
+++ b/README.md
@@ -76,7 +76,7 @@
   * [Python tips](tips/python)
 
 * 机器学习方面
-  * [Confusion Matrix](tips/confusion matrix.ipynb)
+  * [Confusion Matrix](tips/confusion_matrix.ipynb)
   * [Datasets](tips/datasets.ipynb)
   * [构建深度神经网络的一些实战建议](tips/构建深度神经网络的一些实战建议.md)
 
diff --git a/tips/confusion matrix.py b/tips/confusion matrix.py
deleted file mode 100644
index 4991b70..0000000
--- a/tips/confusion matrix.py	
+++ /dev/null
@@ -1,87 +0,0 @@
-# -*- coding: utf-8 -*-
-# ---
-# jupyter:
-#   jupytext_format_version: '1.2'
-#   kernelspec:
-#     display_name: Python 3
-#     language: python
-#     name: python3
-#   language_info:
-#     codemirror_mode:
-#       name: ipython
-#       version: 3
-#     file_extension: .py
-#     mimetype: text/x-python
-#     name: python
-#     nbconvert_exporter: python
-#     pygments_lexer: ipython3
-#     version: 3.5.2
-# ---
-
-# # 混淆矩阵(confusion matrix)
-#
-# 混淆矩阵是用来总结一个分类器结果的矩阵。对于k元分类，其实它就是一个$k \times k$的表格，用来记录分类器的预测结果。
-#
-# 对于最常见的二元分类来说，它的混淆矩阵是2乘2的，如下
-# ![confusion_matrix1](images/confusion_matrix1.png)
-#
-# * `TP` = True Postive = 真阳性
-# * `FP` = False Positive = 假阳性
-# * `FN` = False Negative = 假阴性
-# * `TN` = True Negative = 真阴性
-#
-# 你要的例子来了。。。比如我们一个模型对15个样本进行预测，然后结果如下。
-#
-# * 预测值：1    1    1    1    1    0    0    0    0    0    1    1    1    0    1
-# * 真实值：0    1    1    0    1    1    0    0    1    0    1    0    1    0    0
-#
-# ![confusion_matrix2](images/confusion_matrix2.png)
-#
-#
-# 这个就是混淆矩阵。混淆矩阵中的这四个数值，经常被用来定义其他一些度量。
-#
-#
-# ### 准确度
-# ```
-# Accuracy = (TP+TN) / (TP+TN+FN+TN)
-# ```
-#
-# 在上面的例子中，准确度 = (5+4) / 15 = 0.6
-#
-#
-#
-# ### 精度(precision, 或者PPV, positive predictive value) 
-# ```
-# precision = TP / (TP + FP)
-# ```
-# 在上面的例子中，精度 = 5 / (5+4) = 0.556
-#
-#
-#
-# ### 召回(recall, 或者敏感度，sensitivity，真阳性率，TPR，True Positive Rate) 
-#
-# ```
-# recall = TP / (TP + FN)
-# ```
-#
-# 在上面的例子中，召回 = 5 / (5+2) = 0.714
-#
-#
-#
-# ### 特异度(specificity，或者真阴性率，TNR，True Negative Rate)
-# ```
-# specificity = TN / (TN + FP)
-# ```
-#
-# 在上面的例子中，特异度 = 4 / (4+2) = 0.667
-#
-#
-#
-# ### F1-值(F1-score) 
-# ```
-# F1 = 2*TP / (2*TP+FP+FN) 
-# ```
-# 在上面的例子中，F1-值 = 2*5 / (2*5+4+2) = 0.625
-#
-#
-#
diff --git a/tips/confusion matrix.ipynb b/tips/confusion_matrix.ipynb
similarity index 100%
rename from tips/confusion matrix.ipynb
rename to tips/confusion_matrix.ipynb