Update README.zh-cn.md

2-Regression/4-Logistic/translations/README.zh-cn.md

@@ -1,6 +1,6 @@
 # 逻辑回归预测分类
 
-![逻辑与线性回归信息图](./images/logistic-linear.png)
+![逻辑与线性回归信息图](../images/logistic-linear.png)
 > 作者[Dasani Madipalli](https://twitter.com/dasani_decoded)
 ## [课前测](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/15/)
 
@@ -37,7 +37,7 @@
 
 逻辑回归不提供与线性回归相同的功能。前者提供关于二元类别（“橙色或非橙色”）的预测，而后者能够预测连续值，例如，给定南瓜的起源和收获时间，_其价格将上涨多少_。
 
-![南瓜分类模型](./images/pumpkin-classifier.png)
+![南瓜分类模型](../images/pumpkin-classifier.png)
 > 作者[Dasani Madipalli](https://twitter.com/dasani_decoded)
 ### 其他分类
 
@@ -46,7 +46,7 @@
 - **多项**，涉及多个类别 - “橙色、白色和条纹”。
 - **有序**，涉及有序类别，如果我们想对我们的结果进行逻辑排序非常有用，例如我们的南瓜按有限数量的大小（mini、sm、med、lg、xl、xxl）排序。
 
-![多项式与有序回归](./images/multinomial-ordinal.png)
+![多项式与有序回归](../images/multinomial-ordinal.png)
 > 作者[Dasani Madipalli](https://twitter.com/dasani_decoded)
 
 ### 仍然是线性的
@@ -102,7 +102,7 @@ Seaborn提供了一些巧妙的方法来可视化你的数据。例如，你可
     g.map(sns.scatterplot)
     ```
 
-    ![可视化数据网格](images/grid.png)
+    ![可视化数据网格](../images/grid.png)
 
     通过并列观察数据，你可以看到颜色数据与其他列的关系。
 
@@ -143,7 +143,7 @@ Seaborn提供了一些巧妙的方法来可视化你的数据。例如，你可
 >
 > 还记得线性回归如何经常使用普通最小二乘法来得出一个值吗？逻辑回归依赖于使用[sigmoid 函数](https://wikipedia.org/wiki/Sigmoid_function) 的“最大似然”概念。绘图上的“Sigmoid 函数”看起来像“S”形。它接受一个值并将其映射到0和1之间的某个位置。它的曲线也称为“逻辑曲线”。它的公式如下所示：
 >
-> ![逻辑函数](images/sigmoid.png)
+> ![逻辑函数](../images/sigmoid.png)
 >
 > 其中sigmoid的中点位于x的0点，L是曲线的最大值，k是曲线的陡度。如果函数的结果大于0.5，则所讨论的标签将被赋予二进制选择的类“1”。否则，它将被分类为“0”。
 
@@ -228,7 +228,7 @@ Seaborn提供了一些巧妙的方法来可视化你的数据。例如，你可
 - 如果你的模型将某物预测为南瓜并且它实际上属于“非南瓜”类别，我们将其称为假阴性，由左下角的数字显示。
 - 如果你的模型预测某物不是南瓜，并且它实际上属于“非南瓜”类别，我们将其称为真阴性，如右下角的数字所示。
 
-![混淆矩阵](images/confusion-matrix.png)
+![混淆矩阵](../images/confusion-matrix.png)
 
 > 作者[Jen Looper](https://twitter.com/jenlooper)
 
@@ -294,4 +294,4 @@ print(auc)
 
 ## 任务 
 
-[重试此回归](assignment.md)
+[重试此回归](../assignment.md)