更新11.Apriori的图片位置

docs/11.使用Apriori算法进行关联分析.md

@@ -14,7 +14,7 @@
     * 2.关联规则(association rules): 暗示两种物品之间可能存在很强的关系
     * 总结：首先需要找到频繁项集，才能找到关联规则。
     * 如下图：
-    * ![交易清单](./11.交易清单.png)
+    * ![交易清单](/images/11.Apriori/交易清单.png)
 * 支持度(support)
     * 数据集中包含该项集的记录所占的比例
     * 例如上图中：{豆奶}的支持度=4/5， {豆奶，尿布}的支持度=3/5
@@ -36,10 +36,10 @@
     * 如果某个项集是频繁的，那么它的所有子集也是频繁的，反之，一个项集是非频繁的，那么它的所有超集也是非频繁的。
     * 例如： 我们假设知道{2, 3}是非频繁项，那么{0, 2, 3}, {1, 2, 3}, {0, 1, 2, 3}都是非频繁项。
     * 如下图：
-    * ![非频繁项集](./11.非频繁项集.png)
+    * ![非频繁项集](/images/11.Apriori/非频繁项集.png)
 * 分级法： 频繁项集->关联规则
     * 1.首先从一个频繁项集开始，接着创建一个规则列表，其中规则右部分只包含一个元素，然后对这个规则进行测试。
     * 2.接下来合并所有剩余规则来创建一个新的规则列表，其中规则右部包含两个元素。
     * 如下图：
-    * ![所有可能的项集组合](./11.所有可能的项集组合.png)
+    * ![所有可能的项集组合](/images/11.Apriori/所有可能的项集组合.png)
 * 最后： 每次增加频繁项集的大小，Apriori算法都会重新扫描整个数据集，是否有优化空间呢？ 下一章：FP-growth算法等着你的到来

docs/13.利用PCA来简化数据.md

@@ -16,8 +16,12 @@
 * 3) 去除噪音
 * 4) 是的结果易懂
 
-> 适用范围: 在已标注与未标注的数据上都有降维技术。这里我们将主要关注未标注数据上的降维技术，将技术同样也可以应用于已标注的数据。
-> 在以下3中降维技术中， PCA的应用目前最为广泛，因此本章主要关注PCA。
+> 适用范围: 
+
+* 在已标注与未标注的数据上都有降维技术。
+* 这里我们将主要关注未标注数据上的降维技术，将技术同样也可以应用于已标注的数据。
+
+> 在以下3种降维技术中， PCA的应用目前最为广泛，因此本章主要关注PCA。
 
 * 1) 主成分分析(Principal Component Analysis, PCA)
     * `通俗理解：就是找出一个最主要的特征，然后进行分析。`