Update README.zh-cn.md

4-Classification/2-Classifiers-1/translations/README.zh-cn.md

@@ -5,6 +5,7 @@
 你将使用此数据集和各种分类器，_根据一组配料预测这是哪一国家的美食_。在此过程中，你将学到更多用来权衡分类任务算法的方法  
 
 ## [课前测验](https://white-water-09ec41f0f.azurestaticapps.net/quiz/21/)
+
 # 准备工作
 
 假如你已经完成了[课程 1](../../1-Introduction/translations/README.zh-cn.md), 确保在根目录的 `/data` 文件夹中有 _cleaned_cuisines.csv_ 这份文件来进行接下来的四节课程。
@@ -106,9 +107,9 @@ Scikit_learn将分类任务归在了监督学习类别中，在这个类别中
 
 ### 另外一种效果更佳的分类器选择方法
 
-比起无脑地猜测，你可以下载这份[机器学习小抄（cheatsheet）](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-15963-cxa)。这里面将各算法进行了比较，能更有效地帮助我们选择算法。根据这份小抄，我们可以找到要完成本课程中涉及的多类型的分类任务，可以有以下这些选择：
+比起无脑地猜测，你可以下载这份[机器学习速查表（cheatsheet）](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-15963-cxa)。这里面将各算法进行了比较，能更有效地帮助我们选择算法。根据这份速查表，我们可以找到要完成本课程中涉及的多类型的分类任务，可以有以下这些选择：
 
-![多类型问题作弊表](../images/cheatsheet.png)
+![多类型问题速查表](../images/cheatsheet.png)
 > 微软算法小抄中部分关于多类型分类任务可选算法
 
 ✅ 下载这份小抄，并打印出来，挂在你的墙上吧！
@@ -118,7 +119,7 @@ Scikit_learn将分类任务归在了监督学习类别中，在这个类别中
 让我们根据所有限制条件依次对各种算法的可行性进行判断：
 
 - **神经网络（Neural Network）太过复杂了**。我们的数据很清晰但数据量比较小，此外我们是通过 notebook 在本地进行训练的，神经网络对于这个任务来说过于复杂了。
-- **二分类法(two-class classifier)是不可行的**。我们不能使用二分类法,所以这就排除了一对多（one-vs-all）算法。 
+- **二分类法（two-class classifier）是不可行的**。我们不能使用二分类法,所以这就排除了一对多（one-vs-all）算法。 
 - **可以选择决策树以及逻辑回归算法**。决策树应该是可行的，此外也可以使用逻辑回归来处理多类型数据。
 - **多类型增强决策树是用于解决其他问题的**. 多类型增强决策树最适合的是非参数化的任务，即任务目标是建立一个排序，这对我们当前的任务并没有作用。
 
@@ -145,7 +146,6 @@ Scikit-learn提供了以下这个表格来解释各种solver是如何应对的
 
 因为你刚刚在上一节课中学习了逻辑回归，我们这里就通过逻辑回归算法，来演练一下如何进行你的第一个机器学习模型的训练。首先，需要通过调用`train_test_split()`方法可以把你的数据分割成训练集和测试集：
 
-
 ```python
 X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3)
 ```
@@ -168,7 +168,7 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine
 
     > 注意, 使用 Pandas 的 [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) 方法可以在需要的时候将你的数据进行降维
 
-    运算之后，可以看到准确率高达了**80%**!
+    运算之后，可以看到准确率高达 **80%**!
 
 1. 你也可以通过查看某一行数据（比如第 50 行）来观测到模型运行的情况:
 
@@ -233,6 +233,7 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine
 在本课程中，你使用了清洗后的数据建立了一个机器学习的模型，这个模型能够根据输入的一系列的配料来预测菜品来自于哪个国家。请再花点时间阅读一下 Scikit-learn 所提供的关于可以用来分类数据的其他方法的资料。此外，你也可以深入研究一下“solver”的概念并尝试一下理解其背后的原理。
 
 ## [课后测验](https://white-water-09ec41f0f.azurestaticapps.net/quiz/22/)
+
 ## 回顾与自学
 
 [这个课程](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf)将对逻辑回归背后的数学原理进行更加深入的讲解