fix http://disq.us/p/25d5g6p

docs/04-Linear-Methods-for-Classification/4.4-Logistic-Regression.md

@@ -87,7 +87,7 @@ $$
 $$
 其中微分值由 $\beta^{old}$ 处的值得到．
 
-把得分和 Hessian 写成矩阵形式是很方便的．记 $\mathbf y$ 为 $y_i$ 的值，$\mathbf X$ 是 $x_i$ 的 $N\times (p+1)$ 矩阵，$\mathbf p$ 是拟合概率的向量且第 $i$ 个元素为 $p(x_i;\beta^{odd})$，$\mathbf W$ 是第 $i$ 个对角元为 $p(x_i;\beta^{odd})(1-p(x_i;\beta^{odd}))$ 的 $N\times N$ 的对角矩阵．则我们有
+把得分和 Hessian 写成矩阵形式是很方便的．记 $\mathbf y$ 为 $y_i$ 的值，$\mathbf X$ 是 $x_i$ 的 $N\times (p+1)$ 矩阵，$\mathbf p$ 是拟合概率的向量且第 $i$ 个元素为 $p(x_i;\beta^{old})$，$\mathbf W$ 是第 $i$ 个对角元为 $p(x_i;\beta^{old})(1-p(x_i;\beta^{old}))$ 的 $N\times N$ 的对角矩阵．则我们有
 
 !!! note "weiya 注"
     $\mathbf X=[x'_1,x'_2,\ldots,x'_N]'$