更新7.AdaBoost的图片位置

docs/7.利用AdaBoost元算法提高分类.md

@@ -32,18 +32,18 @@
         * 单层决策树(decision stump, 也称决策树桩)是一种简单的决策树。
     * 过拟合(overfitting, 也称为过学习)
         * 发现测试错误率在达到一个最小值之后有开始上升，这种现象称为过拟合。
-    * ![过拟合](./7.过拟合.png)
+    * ![过拟合](/images/7.AdaBoost/过拟合.png)
 * 非均衡分类问题
     * 现象：
         * 判断马是否能继续生存
         * 过滤垃圾邮件
     * ROC曲线: 最佳的分类器应该尽可能地处于左上角
-    * ![ROC曲线](./7.ROC曲线.png)
+    * ![ROC曲线](/images/7.AdaBoost/ROC曲线.png)
         * 对不同的ROC曲线进行比较的一个指标是曲线下的面积(Area Unser the Curve, AUC). 
         * AUC给出的是分类器的平均性能值，当然它并不能完全代替对整条曲线的观察。
         * 一个完美分类器的AUC为1，而随机猜测的AUC则为0.5。
     * 基于代价函数的分类器决策控制：`TP*(-5)+FN*1+FP*50+TN*0`
-    * ![代价函数](./7.代价函数.png)
+    * ![代价函数](/images/7.AdaBoost/代价函数.png)
     * 欠抽样(undersampling)或者过抽样(oversampling)
         * 欠抽样: 意味着删除样例
         * 过抽样: 意味着复制样例(重复使用)