修正了部分文档中的笔误

Author: jackfrued

Day81-90/82.k最近邻算法.md

@@ -241,45 +241,40 @@ model.score(X_test, y_test)
 | **实际为未患病** | 30（FP） | 870（TN） |
 
 1. **准确率**（Accuracy）。
-
  $$
- \text{准确率} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}}
+ \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}}
  $$
 
  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。
-
  $$
- \text{精确率} = \frac{\text{TP}}{\text{TP} + \text{FP}}
+ \text{Precesion} = \frac{\text{TP}}{\text{TP} + \text{FP}}
  $$
 
  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）。
-
  $$
- \text{召回率} = \frac{\text{TP}}{\text{TP} + \text{FN}}
+ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}
  $$
 
  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。
-
  $$
- \text{F1分数} = \frac{2}{\frac{1}{\text{精确率}} + \frac{1}{\text{召回率}}} = 2 \times \frac{\text{精确率} \times \text{召回率}}{\text{精确率} + \text{召回率}}
+ \text{F1 Score} = \frac{2}{\frac{1}{\text{Precision}} + \frac{1}{\text{Recall}}} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precesion} + \text{Recall}}
  $$
 
  上面的例子，模型预测的F1 分数为： $\small{2 \times \frac{0.7273 * 0.8}{0.7273 + 0.8} = 0.76}$ 。
-
+ 
 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。
-
  $$
- \text{特异度} = \frac{\text{TN}}{\text{TN} + \text{FP}}
+ \text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}}
  $$
 
  $$
- \text{假正例率} = 1 - \text{特异度}
+ \text{False Positive Rate} = 1 - \text{Specificity}
  $$
 
  上面的例子，模型预测的特异度为： $\small{\frac{870}{870 + 30} = \frac{870}{900} = 0.97}$ 。