Merge pull request #387 from CoderOverflow/patch-12

2.8.2 图标

ch02_机器学习基础/第二章_机器学习基础.md

@@ -143,9 +143,9 @@
    3) False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
    4) True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。　
 
-![](./img/ch2/2.9/1.png)
+![图2-3 术语的混淆矩阵](./img/ch2/2.9/1.png)
 
-上图是这四个术语的混淆矩阵，做以下说明：
+图2-3是这四个术语的混淆矩阵，做以下说明：
 	1）P=TP+FN表示实际为正例的样本个数。
 	2）True、False描述的是分类器是否判断正确。
 	3）Positive、Negative是分类器的分类结果，如果正例计为1、负例计为-1，即positive=1、negative=-1。用1表示True，-1表示False，那么实际的类标=TF\*PN，TF为true或false，PN为positive或negative。
@@ -187,11 +187,11 @@
 
 - **ROC曲线和PR曲线**
 
-​	ROC曲线是（Receiver Operating Characteristic Curve，受试者工作特征曲线）的简称，是以灵敏度（真阳性率）为纵坐标，以1减去特异性（假阳性率）为横坐标绘制的性能评价曲线。可以将不同模型对同一数据集的ROC曲线绘制在同一笛卡尔坐标系中，ROC曲线越靠近左上角，说明其对应模型越可靠。也可以通过ROC曲线下面的面积（Area Under Curve, AUC）来评价模型，AUC越大，模型越可靠。
+​	如图2-4，ROC曲线是（Receiver Operating Characteristic Curve，受试者工作特征曲线）的简称，是以灵敏度（真阳性率）为纵坐标，以1减去特异性（假阳性率）为横坐标绘制的性能评价曲线。可以将不同模型对同一数据集的ROC曲线绘制在同一笛卡尔坐标系中，ROC曲线越靠近左上角，说明其对应模型越可靠。也可以通过ROC曲线下面的面积（Area Under Curve, AUC）来评价模型，AUC越大，模型越可靠。
 
 ![](./img/ch2/2.7.3.png)
 
-​	                                                                         图2.8.2.1 ROC曲线
+​	                                                                         图2-4 ROC曲线
 
 ​	PR曲线是Precision Recall Curve的简称，描述的是precision和recall之间的关系，以recall为横坐标，precision为纵坐标绘制的曲线。该曲线的所对应的面积AUC实际上是目标检测中常用的评价指标平均精度（Average Precision, AP）。AP越高，说明模型性能越好。