修正了部分文档中的笔误

Day81-90/82.k最近邻算法.md

@@ -241,43 +241,48 @@ model.score(X_test, y_test)
 | **实际为未患病** | 30（FP） | 870（TN） |
 
 1. **准确率**（Accuracy）。
-    $$
-    \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}}
-    $$
 
-    上面的例子，模型预测的准确率为： $\small{\frac{80 + 870}{80 + 30 + 20 + 870} = \frac{950}{1000} = 0.95}$ 。
+$$
+\text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}}
+$$
+
+上面的例子，模型预测的准确率为： $\small{\frac{80 + 870}{80 + 30 + 20 + 870} = \frac{950}{1000} = 0.95}$ 。
 
 2. **精确率**（Precesion）。精确率用于衡量在所有被预测为正类的样本中，实际上属于正类的比例，通常也被称为查准率。
-    $$
-    \text{Precesion} = \frac{\text{TP}}{\text{TP} + \text{FP}}
-    $$
 
-    上面的例子，模型预测的精确率为： $\small{\frac{80}{80 + 30} = \frac{80}{110} = 0.73}$ 。
+$$
+\text{Precesion} = \frac{\text{TP}}{\text{TP} + \text{FP}}
+$$
+
+上面的例子，模型预测的精确率为： $\small{\frac{80}{80 + 30} = \frac{80}{110} = 0.73}$ 。
 
 3. **召回率**（Recall）。召回率用于衡量在所有实际为正类的样本中，被模型正确预测为正类的比例，通常也被称为查全率或真正例率（True Positive Rate）。
-    $$
-    \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}
-    $$
   
-    上面的例子，模型预测的召回率为： $\small{\frac{80}{80 + 20} = \frac{80}{100} = 0.8}$ 。
+$$
+\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}
+$$
+
+上面的例子，模型预测的召回率为： $\small{\frac{80}{80 + 20} = \frac{80}{100} = 0.8}$ 。
 
 4. **F1 分数**（F1 Score）。F1 分数是精确率和召回率的调和平均数，它在精确率和召回率之间寻求一个平衡，尤其适用于在两者之间有权衡的情况。
-    $$
-    \text{F1 Score} = \frac{2}{\frac{1}{\text{Precision}} + \frac{1}{\text{Recall}}} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precesion} + \text{Recall}}
-    $$
   
-    上面的例子，模型预测的F1 分数为： $\small{2 \times \frac{0.7273 * 0.8}{0.7273 + 0.8} = 0.76}$ 。
+$$
+\text{F1 Score} = \frac{2}{\frac{1}{\text{Precision}} + \frac{1}{\text{Recall}}} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precesion} + \text{Recall}}
+$$
 
-5. **特异度**（Specificity）和**假正例率**（False Positive Rate）。特异度用于衡量的是在所有实际为负类的样本中，被模型正确预测为负类的比例，类似于召回率，只不过针对的是负类样本。
-    $$
-    \text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}}
-    $$
+上面的例子，模型预测的F1 分数为： $\small{2 \times \frac{0.7273 * 0.8}{0.7273 + 0.8} = 0.76}$ 。
 
-    $$
-    \text{False Positive Rate} = 1 - \text{Specificity}
-    $$
+5. **特异度**（Specificity）和**假正例率**（False Positive Rate，简称 FPR）。特异度用于衡量的是在所有实际为负类的样本中，被模型正确预测为负类的比例，类似于召回率，只不过针对的是负类样本。
 
-    上面的例子，模型预测的特异度为： $\small{\frac{870}{870 + 30} = \frac{870}{900} = 0.97}$ 。
+$$
+\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}}
+$$
+
+$$
+\text{FPR} = 1 - \text{Specificity}
+$$
+
+上面的例子，模型预测的特异度为： $\small{\frac{870}{870 + 30} = \frac{870}{900} = 0.97}$ 。
 
 6. **ROC** 和 **AUC**。