From 6bc50efef4ac32e0bbd754a09cb470e5602c61d4 Mon Sep 17 00:00:00 2001
From: Shine__Wong <1551885@tongji.edu.cn>
Date: Tue, 14 Jan 2020 15:06:57 +0800
Subject: [PATCH] update images

---
 ml/logistic_regression/logistic_regression.md | 3 +--
 1 file changed, 1 insertion(+), 2 deletions(-)

diff --git a/ml/logistic_regression/logistic_regression.md b/ml/logistic_regression/logistic_regression.md
index 7fd4300..33c4b61 100644
--- a/ml/logistic_regression/logistic_regression.md
+++ b/ml/logistic_regression/logistic_regression.md
@@ -281,8 +281,7 @@ $$
 
 之后，我手动将这些数据划分成了训练集和测试集，其中测试集占所有数据的20%。然后分别使用未正则化的损失函数与正则化的损失函数($\lambda = 1$)，利用梯度下降法对模型进行训练。结果如下：
 
-![overfit](images/overfit.png)
-![justfit](images/justfit.png)
+![overfit](images/overfit.png) ![justfit](images/justfit.png)
 
 图中黑色的圆圈或者十字，是表示训练集的实例；而红色边界的圆圈或者十字，表示的是测试集实例。可以看到，未经过正则化的损失函数，训练出来的模型决策边界相对复杂，具有许多高次项，同时对于训练集有更高的预测准确率（87.21%）；而正则化后的损失函数，利用梯度下降法训练出的决策边界则要简单很多，比较规则，对训练集的准确率也要低一些（80.23%）。