From 29f0c0c657d9c7f258ed6ef31a7e3e264c8538fc Mon Sep 17 00:00:00 2001
From: yyong119 <yyyuyong119@gmail.com>
Date: Wed, 8 Aug 2018 20:26:25 +0800
Subject: [PATCH] Unify file name

---
 Code/Day 6_Logistic_Regression.md | 98 ++++++++++++++++++++++++++++++-
 Code/Day6 Logistic Regression.md  | 97 ------------------------------
 2 files changed, 97 insertions(+), 98 deletions(-)
 delete mode 100644 Code/Day6 Logistic Regression.md

diff --git a/Code/Day 6_Logistic_Regression.md b/Code/Day 6_Logistic_Regression.md
index e2f8559..7e04638 100644
--- a/Code/Day 6_Logistic_Regression.md	
+++ b/Code/Day 6_Logistic_Regression.md	
@@ -1 +1,97 @@
-![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%204.jpg)
\ No newline at end of file
+![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%204.jpg?raw=true)
+
+### 数据集 | 社交网络
+![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Other%20Docs/data.png?raw=true)
+该数据集包含了社交网络中用户的信息。这些信息涉及用户ID,性别,年龄以及预估薪资。一家汽车公司刚刚推出了他们新型的豪华SUV，我们尝试预测哪些用户会购买这种全新SUV。并且在最后一列用来表示用户是否购买。我们将建立一种模型来预测用户是否购买这种SUV，该模型基于两个变量，分别是年龄和预计薪资。因此我们的特征矩阵将是这两列。我们尝试寻找用户年龄与预估薪资之间的某种相关性，以及他是否购买SUV的决定。
+
+### 步骤1 | 数据预处理
+#### 导入库
+
+```python
+import numpy as numpy
+import matplotlib.pyplot as plt
+import pandas as pd
+```
+
+#### 导入数据集
+![这里](https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/datasets/Social_Network_Ads.csv)获取数据集 
+
+```python
+dataset = pd.read_csv('Social_Network_Ads.csv')
+X = dataset.iloc[:, [2, 3]].values
+Y = dataset.iloc[:,4].values
+```
+
+#### 讲数据集分成训练集和测试集
+
+```python
+from sklearn.cross_validation import train_test_split
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
+```
+
+#### 特征缩放
+
+```python
+from sklearn.preprocessing import StandardScaler
+sc = StandardScaler()
+X_train = sc.fit_transform(X_train)
+X_test = sc.transform(X_test)
+```
+
+### 步骤2 | 逻辑回归模型
+
+该项工作的库将会是一个线性模型库，之所以被称为线性是因为逻辑回归是一个线性分类器，这意味着我们在二维空间中，我们两类用户（购买和不购买）将被一条直线分割。然后导入逻辑回归类。下一步我们将创建该类的对象，它将作为我们训练集的分类器。
+
+#### 将逻辑回归应用于训练集
+
+```python
+from sklearn.linear_model import LogisticRegression
+classifier = LogisticRegression()
+classifier.fit(X_train, y_train)
+```
+
+### 步骤3 | 预测
+
+#### 预测测试集结果
+```python
+y_pred = classifier.predict(X_test)
+```
+
+### 步骤4 | 评估预测
+
+我们预测了测试集。 现在我们将评估逻辑回归模型是否正确的学习和理解。因此这个混淆矩阵将包含我们模型的正确和错误的预测。
+
+#### 生成混淆矩阵
+
+```python
+from sklearn.metrics import confusion_matrix
+cm = confusion_matrix(y_test, y_pred)
+```
+
+#### 可视化
+
+![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Other%20Docs/LR_training.png?raw=true)
+![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Other%20Docs/LR_test.png?raw=true) 
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
diff --git a/Code/Day6 Logistic Regression.md b/Code/Day6 Logistic Regression.md
deleted file mode 100644
index 7e04638..0000000
--- a/Code/Day6 Logistic Regression.md	
+++ /dev/null
@@ -1,97 +0,0 @@
-![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Info-graphs/Day%204.jpg?raw=true)
-
-### 数据集 | 社交网络
-![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Other%20Docs/data.png?raw=true)
-该数据集包含了社交网络中用户的信息。这些信息涉及用户ID,性别,年龄以及预估薪资。一家汽车公司刚刚推出了他们新型的豪华SUV，我们尝试预测哪些用户会购买这种全新SUV。并且在最后一列用来表示用户是否购买。我们将建立一种模型来预测用户是否购买这种SUV，该模型基于两个变量，分别是年龄和预计薪资。因此我们的特征矩阵将是这两列。我们尝试寻找用户年龄与预估薪资之间的某种相关性，以及他是否购买SUV的决定。
-
-### 步骤1 | 数据预处理
-#### 导入库
-
-```python
-import numpy as numpy
-import matplotlib.pyplot as plt
-import pandas as pd
-```
-
-#### 导入数据集
-![这里](https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/datasets/Social_Network_Ads.csv)获取数据集 
-
-```python
-dataset = pd.read_csv('Social_Network_Ads.csv')
-X = dataset.iloc[:, [2, 3]].values
-Y = dataset.iloc[:,4].values
-```
-
-#### 讲数据集分成训练集和测试集
-
-```python
-from sklearn.cross_validation import train_test_split
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
-```
-
-#### 特征缩放
-
-```python
-from sklearn.preprocessing import StandardScaler
-sc = StandardScaler()
-X_train = sc.fit_transform(X_train)
-X_test = sc.transform(X_test)
-```
-
-### 步骤2 | 逻辑回归模型
-
-该项工作的库将会是一个线性模型库，之所以被称为线性是因为逻辑回归是一个线性分类器，这意味着我们在二维空间中，我们两类用户（购买和不购买）将被一条直线分割。然后导入逻辑回归类。下一步我们将创建该类的对象，它将作为我们训练集的分类器。
-
-#### 将逻辑回归应用于训练集
-
-```python
-from sklearn.linear_model import LogisticRegression
-classifier = LogisticRegression()
-classifier.fit(X_train, y_train)
-```
-
-### 步骤3 | 预测
-
-#### 预测测试集结果
-```python
-y_pred = classifier.predict(X_test)
-```
-
-### 步骤4 | 评估预测
-
-我们预测了测试集。 现在我们将评估逻辑回归模型是否正确的学习和理解。因此这个混淆矩阵将包含我们模型的正确和错误的预测。
-
-#### 生成混淆矩阵
-
-```python
-from sklearn.metrics import confusion_matrix
-cm = confusion_matrix(y_test, y_pred)
-```
-
-#### 可视化
-
-![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Other%20Docs/LR_training.png?raw=true)
-![](https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Other%20Docs/LR_test.png?raw=true) 
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-