Merge pull request #92 from chenyyx/master

修改2,3,4,5,9章的首页图片

docs/2.k-近邻算法.md

@@ -1,7 +1,7 @@
 # 第2章 k-近邻算法
 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>
 
-![k-近邻算法_首页](/images/2.KNN/knn-0-headpage.jpg "k-近邻算法首页")
+![k-近邻算法_首页](/images/2.KNN/k-近邻算法首页_xy.png "k-近邻算法首页")
 
 众说周知，电影可以按照题材分类的；而我们却知道每部电影在风格上的确可能和同题材的电影相近。
 那么动作片具有哪些共有特征，使得动作片之间非常相似，而与爱情片存在着明显的差别呢？<br/>
@@ -133,3 +133,9 @@ $$\sqrt{(0-67)^2 + (20000-32000)^2 + (1.1-0.1)^2 }$$
 * 阅读本章之前建议阅读一下numpy的文档
     * [numpy英文文档](https://docs.scipy.org/doc/numpy-dev/user/quickstart.html "NumPy英文文档")
     * [numpy中文文档](http://old.sebug.net/paper/books/scipydoc/numpy_intro.html "NumPy中文文档")
+* * *
+
+
+* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/3.决策树.md

@@ -2,7 +2,7 @@
 # 第3章 决策树
 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>
 
-![决策树_首页](/images/3.DecisionTree/DecisionTree_headpage.jpg "决策树首页")
+![决策树_首页](/images/3.DecisionTree/DecisionTree_headpage_xy.png "决策树首页")
 
 ## 决策树简介
 
@@ -105,3 +105,8 @@
         * 简单来说：就是从一个数据集中随机选取子项，度量其被错误分类到其他分组里的概率。
 * 流程介绍图
 * ![决策树流程介绍图](/images/3.DecisionTree/决策树流程介绍图.jpg)
+* * *
+
+* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/4.朴素贝叶斯.md

@@ -2,7 +2,7 @@
 # 第4章 基于概率论的分类方法：朴素贝叶斯
 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>
 
-![朴素贝叶斯_首页](/images/4.NaiveBayesian/朴素贝叶斯_首页.png "朴素贝叶斯首页")
+![朴素贝叶斯_首页](/images/4.NaiveBayesian/NavieBayesian_headPage_xy.png "朴素贝叶斯首页")
 
 ## 使用概率分布进行分类
 
@@ -131,3 +131,9 @@ p(ci|x,y) = p(x,y|ci)·p(ci)/p(x,y)
 * 总结
     * 这一块代码比较乱，最好先把公式理一理再看
     * 可以参考一下[阮一峰的博客](http://www.ruanyifeng.com/blog/2013/12/naive_bayes_classifier.html)
+* * *
+
+* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**
+

docs/5.Logistic回归.md

@@ -1,7 +1,7 @@
 # 第5章 Logistic回归
 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>
 
-![朴素贝叶斯_首页](/images/5.Logistic/Logistic回归首页.png "Logistic回归首页")
+![朴素贝叶斯_首页](/images/5.Logistic/LogisticRegression_headPage_xy.png "Logistic回归首页")
 
 ## Sigmoid函数和Logistic回归分类器
 
@@ -116,4 +116,8 @@
     * 5.4 代价函数
     * 5.5 简化的成本函数和梯度下降
     * 5.6 高级优化
-    * 5.7 多类分类：一个对所有
+* * *
+
+* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/8.预测数值型数据：回归.md

@@ -163,4 +163,9 @@
     当数据的样本数比特征数还少的时候，矩阵x^Tx的逆不能直接计算。即便当样本数比特征数多时，x^Tx的逆仍有可能无法直接计算，这是因为特征有可能高度相关。
 这时可以考虑使用岭回归，因为当x^Tx的逆不能计算时，它仍保证能求得回归系数。
     岭回归是缩减法的一种，相当于对回归系数的大小施加了限制。另一种很好的缩减法是lasso。Lasso难以理解，但可以使用计算简便的逐步线性回归方法来求得近似结果。
-    缩减法还可以看做是对一个模型增加偏差的同时减少方差。偏差方差折中是一个重要的概念，可以帮助我们理解现有模型并做出改进，从而得到最好的模型。
+    缩减法还可以看做是对一个模型增加偏差的同时减少方差。偏差方差折中是一个重要的概念，可以帮助我们理解现有模型并做出改进，从而得到最好的模型。
+* * *
+
+* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/9.树回归.md

@@ -1,7 +1,7 @@
 # 第9章 树回归
 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>
 
-![预测数值型数据回归首页](/images/9.TreeRegression/树回归首页.png "树回归首页")
+![预测数值型数据回归首页](/images/9.TreeRegression/TreeRegression_headPage_xy.png "树回归首页")
 
 ## CART 算法
 
@@ -155,4 +155,9 @@
 对数据过拟合。一棵过拟合的树常常十分复杂，剪枝技术的出现就是为了解决这个问题。两种剪枝方法分别是预剪枝（在树的构建过程中就进行剪枝）和后剪枝（当树
 构建完毕再进行剪枝），预剪枝更有效但需要用户定义一些参数。
     Tkinter 是 Python 的一个 GUI 工具包。虽然并不是唯一的包，但它最常用。利用 Tkinter ，我们可以轻轻松松绘制各种部件并安排它们的位置。另外，可以为
-Tkinter 构造一个特殊的部件来显示 Matplotlib 绘出的图。所以，Matplotlib 和 Tkinter 的集成可以构建出更强大的 GUI ，用户可以以更自然的方式来探索机器学习算法的奥妙。
+Tkinter 构造一个特殊的部件来显示 Matplotlib 绘出的图。所以，Matplotlib 和 Tkinter 的集成可以构建出更强大的 GUI ，用户可以以更自然的方式来探索机器学习算法的奥妙。
+* * *
+
+* **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**