diff --git a/ch02_机器学习基础/第二章_机器学习基础.md b/ch02_机器学习基础/第二章_机器学习基础.md
index f7268bc..6755eba 100644
--- a/ch02_机器学习基础/第二章_机器学习基础.md
+++ b/ch02_机器学习基础/第二章_机器学习基础.md
@@ -1240,7 +1240,7 @@ TPR = TP/(TP+FN) = 0.5； FPR = FP/(TN+FP) = 0；
 ​	模型有很多评估方法，为什么还要使用ROC和AUC呢？
 ​	因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变换的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现样本类不平衡，即正负样本比例差距较大，而且测试数据中的正负样本也可能随着时间变化。
 
-### 2.16.17 直观理解AUC
+### 2.16.16 直观理解AUC
 ​	下图展现了三种AUC的值： 
 
 ![](./img/ch2/2.40.15/1.png)