diff --git a/ml/logistic_regression/logistic_regression.md b/ml/logistic_regression/logistic_regression.md
index 33c4b61..3168632 100644
--- a/ml/logistic_regression/logistic_regression.md
+++ b/ml/logistic_regression/logistic_regression.md
@@ -281,7 +281,10 @@ $$
 
 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)
+<table><tr>
+	<td><img src="images/overfit.png" width="90%" height="90%" /></td>
+	<td><img src="images/justfit.png" width="90%" height="90%" /></td>
+</tr></table>
 
 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%）。