修改2,3,7的代码格式，去除特殊字符

docs/2.k-近邻算法.md

@@ -104,7 +104,7 @@ knn 算法按照距离最近的三部电影的类型，决定未知电影的类
 
 将文本记录转换为 NumPy 的解析程序
  
- ```Python
+ ```python
 def file2matrix(filename):
     """
     Desc:
@@ -139,7 +139,7 @@ def file2matrix(filename):
 
 > 分析数据：使用 Matplotlib 画二维散点图
 
-```Python
+```python
 import matplotlib
 import matplotlib.pyplot as plt
 fig = plt.figure()
@@ -166,7 +166,7 @@ $$\sqrt{(0-67)^2 + (20000-32000)^2 + (1.1-0.1)^2 }$$
 
 归一化特征值，消除特征之间量级不同导致的影响
 
-```Python
+```python
 def autoNorm(dataSet):
     """
     Desc:
@@ -202,7 +202,7 @@ def autoNorm(dataSet):
 
 kNN 分类器针对约会网站的测试代码
 
-```Python
+```python
 def datingClassTest():
     """
     Desc:
@@ -237,7 +237,7 @@ def datingClassTest():
 
 约会网站预测函数
 
-```Python
+```python
 def clasdifyPerson():
     resultList = ['not at all', 'in small doses', 'in large doses']
     percentTats = float(raw_input("percentage of time spent playing video games ?"))
@@ -252,7 +252,7 @@ def clasdifyPerson():
 
 实际运行效果如下: 
 
-```Python
+```python
 >>> kNN.classifyPerson()
 percentage of time spent playing video games?10
 frequent flier miles earned per year?10000
@@ -294,7 +294,7 @@ You will probably like this person: in small doses
 
 将图像文本数据转换为向量
 
-```Python
+```python
 def img2vector(filename):
     returnVect = zeros((1,1024))
     fr = open(filename)
@@ -309,7 +309,7 @@ def img2vector(filename):
 
 在 Python 命令行中输入下列命令测试 img2vector 函数，然后与文本编辑器打开的文件进行比较: 
 
-```Python
+```python
 >>> testVector = kNN.img2vector('testDigits/0_13.txt')
 >>> testVector[0,0:31]
 array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
@@ -323,7 +323,7 @@ array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 1., 1., 1
 
 > 测试算法：编写函数使用提供的部分数据集作为测试样本，如果预测分类与实际类别不同，则标记为一个错误
 
-```Python
+```python
 def handwritingClassTest():
     # 1. 导入训练数据
     hwLabels = []

docs/3.决策树.md

@@ -28,7 +28,7 @@
 
 #### 信息熵 & 信息增益
 
-熵：
+熵：
 熵（entropy）指的是体系的混乱的程度，在不同的学科中也有引申出的更为具体的定义，是各领域十分重要的参量。
 
 信息熵（香农熵）：

docs/7.集成方法-随机森林和AdaBoost.md

@@ -13,7 +13,7 @@
     2. 再学习(boosting): 是基于所有分类器的加权求和的方法
 
 
-## 集成方法 场景
+## 集成方法 场景
 
 目前 bagging 方法最流行的版本是: 随机森林(random forest)<br/>
 选男友：美女选择择偶对象的时候，会问几个闺蜜的建议，最后选择一个综合得分最高的一个作为男朋友
@@ -94,10 +94,10 @@
 
 ```
 收集数据：提供的文本文件
-准备数据：转换样本集
+准备数据：转换样本集
 分析数据：手工检查数据
-训练算法：在数据上，利用 random_forest() 函数进行优化评估，返回模型的综合分类结果
-测试算法：在采用自定义 n_folds 份随机重抽样 进行测试评估，得出综合的预测评分
+训练算法：在数据上，利用 random_forest() 函数进行优化评估，返回模型的综合分类结果
+测试算法：在采用自定义 n_folds 份随机重抽样 进行测试评估，得出综合的预测评分
 使用算法：若你感兴趣可以构建完整的应用程序，从案例进行封装，也可以参考我们的代码
 ```
 
@@ -111,7 +111,7 @@
 0.0262,0.0582,0.1099,0.1083,0.0974,0.228,0.2431,0.3771,0.5598,0.6194,0.6333,0.706,0.5544,0.532,0.6479,0.6931,0.6759,0.7551,0.8929,0.8619,0.7974,0.6737,0.4293,0.3648,0.5331,0.2413,0.507,0.8533,0.6036,0.8514,0.8512,0.5045,0.1862,0.2709,0.4232,0.3043,0.6116,0.6756,0.5375,0.4719,0.4647,0.2587,0.2129,0.2222,0.2111,0.0176,0.1348,0.0744,0.013,0.0106,0.0033,0.0232,0.0166,0.0095,0.018,0.0244,0.0316,0.0164,0.0095,0.0078,R
 ```
 
-> 准备数据：转换样本集
+> 准备数据：转换样本集
 
 ```python
 # 导入csv文件
@@ -135,9 +135,9 @@ def loadDataSet(filename):
     return dataset
 ```
 
-> 分析数据：手工检查数据
+> 分析数据：手工检查数据
 
-> 训练算法：在数据上，利用 random_forest() 函数进行优化评估，返回模型的综合分类结果
+> 训练算法：在数据上，利用 random_forest() 函数进行优化评估，返回模型的综合分类结果
 
 * 样本数据随机无放回抽样-用于交叉验证
 
@@ -209,7 +209,7 @@ def get_split(dataset, n_features):
         for row in dataset:
             groups = test_split(index, row[index], dataset)  # groups=(left, right), row[index] 遍历每一行 index 索引下的特征值作为分类值 value, 找出最优的分类特征和特征值
             gini = gini_index(groups, class_values)
-            # 左右两边的数量越一样，说明数据区分度不高，gini系数越大
+            # 左右两边的数量越一样，说明数据区分度不高，gini系数越大
             if gini < b_score:
                 b_index, b_value, b_score, b_groups = index, row[index], gini, groups  # 最后得到最优的分类特征 b_index,分类特征值 b_value,分类结果 b_groups。b_value 为分错的代价成本
     # print b_score
@@ -249,7 +249,7 @@ def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_feat
     return predictions
 ```
 
-> 测试算法：在采用自定义 n_folds 份随机重抽样 进行测试评估，得出综合的预测评分。
+> 测试算法：在采用自定义 n_folds 份随机重抽样 进行测试评估，得出综合的预测评分。
 
 * 计算随机森林的预测结果的正确率
 
@@ -313,7 +313,7 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args):
 
 `能否使用弱分类器和多个实例来构建一个强分类器？ 这是一个非常有趣的理论问题。`
 
-### AdaBoost 原理
+### AdaBoost 原理
 
 > AdaBoost 工作原理
 
@@ -360,8 +360,8 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args):
 准备数据：确保类别标签是+1和-1，而非1和0。
 分析数据：手工检查数据。
 训练算法：在数据上，利用 adaBoostTrainDS() 函数训练出一系列的分类器。
-测试算法：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。
-使用算法：观察该例子上的错误率。不过，也可以构建一个 Web 网站，让驯马师输入马的症状然后预测马是否会死去。
+测试算法：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。
+使用算法：观察该例子上的错误率。不过，也可以构建一个 Web 网站，让驯马师输入马的症状然后预测马是否会死去。
 ```
 
 > 收集数据：提供的文本文件。
@@ -468,13 +468,13 @@ D （特征权重）的目的是为了计算错误概率： weightedError = D.T*
 
 ![AdaBoost算法权重计算公式](/images/7.AdaBoost/adaboost_alpha.png "AdaBoost算法权重计算公式")
 
-> 测试算法：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。
+> 测试算法：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。
 
 ```python
 def adaClassify(datToClass, classifierArr):
     """adaClassify(ada分类测试)
     Args:
-        datToClass     多个待分类的样例
+        datToClass     多个待分类的样例
         classifierArr  弱分类器的集合
     Returns:
         sign(aggClassEst) 分类结果
@@ -493,7 +493,7 @@ def adaClassify(datToClass, classifierArr):
     return sign(aggClassEst)
 ```
 
-> 使用算法：观察该例子上的错误率。不过，也可以构建一个 Web 网站，让驯马师输入马的症状然后预测马是否会死去。
+> 使用算法：观察该例子上的错误率。不过，也可以构建一个 Web 网站，让驯马师输入马的症状然后预测马是否会死去。
 
 ```python
 # 马疝病数据集

src/python/7.RandomForest/randomForest.py

@@ -99,7 +99,7 @@ def get_split(dataset, n_features):
         for row in dataset:
             groups = test_split(index, row[index], dataset)  # groups=(left, right), row[index] 遍历每一行 index 索引下的特征值作为分类值 value, 找出最优的分类特征和特征值
             gini = gini_index(groups, class_values)
-            # 左右两边的数量越一样，说明数据区分度不高，gini系数越大
+            # 左右两边的数量越一样，说明数据区分度不高，gini系数越大
             if gini < b_score:
                 b_index, b_value, b_score, b_groups = index, row[index], gini, groups  # 最后得到最优的分类特征 b_index,分类特征值 b_value,分类结果 b_groups。b_value 为分错的代价成本
     # print b_score