apachecn · jiangzhonglian · Sep 19, 2017 · Sep 15, 2017 · Sep 15, 2017 · Sep 15, 2017
diff --git a/bin/15_test.sh b/bin/15_test.sh
diff --git a/docs/11.使用Apriori算法进行关联分析.md b/docs/11.使用Apriori算法进行关联分析.md
@@ -28,13 +28,13 @@
 ## Apriori 原理
 
 假设我们一共有 4 个商品: 商品0, 商品1, 商品2, 商品3。
-所有可能的组合如下:  
+所有可能的情况如下:  
 ![4种商品的所有组合](../images/11.Apriori/apachecn_apriori_goods_all_1.jpg)  
 如果我们计算所有组合的支持度，也需要计算 15 次。即 2^N - 1 = 2^4 - 1 = 15。  
 随着物品的增加，计算的次数呈指数的形式增长 ...   
 为了降低计算次数和时间，研究人员发现了一种所谓的 Apriori 原理，即某个项集是频繁的，那么它的所有子集也是频繁的。
 例如，如果 {0, 1} 是频繁的，那么 {0}, {1} 也是频繁的。
-该原理直观上没有什么帮助，但是如果反过来看就有用了，也就是说如果一个项集是 `非频繁项集`，那么它的所有超级也是非频繁项集，如下图所示:  
+该原理直观上没有什么帮助，但是如果反过来看就有用了，也就是说如果一个项集是 `非频繁项集`，那么它的所有超集也是非频繁项集，如下图所示:  
 
 ![非频繁项集](../images/11.Apriori/非频繁项集.png)
 

diff --git a/docs/15.大数据与MapReduce.md b/docs/15.大数据与MapReduce.md
@@ -1,4 +1,4 @@
-# 大数据与MapReduce
+# 第15章 大数据与MapReduce
 
 ![大数据与MapReduce首页](/images/15.BigData_MapReduce/mr_headPage.jpg "大数据与MapReduce首页")
 

diff --git a/docs/6.支持向量机.md b/docs/6.支持向量机.md
@@ -9,7 +9,7 @@
 * 支持向量(Support Vector)就是离分隔超平面最近的那些点。
 * 机(Machine)就是表示一种算法，而不是表示机器。
 
-## 支持向量机 背景
+## 支持向量机 场景
 
 * 如果把所有的点看作地雷，那么我们(超平面)得找到最近所有的地雷，并保证我们离它最远。
 * 所以：选择D会比B、C分隔的效果要好很多。

diff --git a/docs/8.预测数值型数据：回归.md b/docs/8.预测数值型数据：回归.md
@@ -11,7 +11,7 @@
 
 回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。
 
-假如你想要预测姐姐男友汽车的功率大小，可能会这样计算:
+假如你想要预测兰博基尼跑车的功率大小，可能会这样计算:
 
 HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadio
 
@@ -88,6 +88,7 @@ HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadio
 数据格式为: 
 
 ```
+x
 1.000000	0.067732	3.176513
 1.000000	0.427810	3.816464
 1.000000	0.995731	4.550095

diff --git a/src/python/8.PredictiveNumericalDataRegression/regression.py b/src/python/8.PredictiveNumericalDataRegression/regression.py
@@ -584,9 +584,9 @@ def regression5():
 
 
 if __name__ == "__main__":
-    # regression1()
+    regression1()
     # regression2()
     # abaloneTest()
     # regression3()
-    regression4()
+    # regression4()
     # regression5()