优化 项目实例的规范

docs/2.k-近邻算法.md

@@ -53,11 +53,11 @@ knn 算法按照距离最近的三部电影的类型，决定未知电影的类
 适用数据范围：数值型和标称型
 ```
 
-## KNN 项目实战
+## KNN 项目案例
 
-### 项目实战1: 优化约会网站的配对效果
+### 项目案例1: 优化约会网站的配对效果
 
-> 概述：
+#### 项目概述
 
 海伦使用约会网站寻找约会对象。经过一段时间之后，她发现曾交往过三种类型的人:
 * 不喜欢的人
@@ -71,13 +71,7 @@ knn 算法按照距离最近的三部电影的类型，决定未知电影的类
 
 现在她收集到了一些约会网站未曾记录的数据信息，这更有助于匹配对象的归类。
 
-海伦把这些约会对象的数据存放在文本文件 [datingTestSet2.txt](https://github.com/apachecn/MachineLearning/blob/master/input/2.KNN/datingTestSet2.txt) 中，总共有 1000 行。海伦约会的对象主要包含以下 3 种特征：
-
-* 每年获得的飞行常客里程数
-* 玩视频游戏所耗时间百分比
-* 每周消费的冰淇淋公升数
-
-> 使用 KNN 改进约会网站的配对效果
+#### 开发流程
 
 ```
 收集数据：提供文本文件
@@ -90,7 +84,15 @@ knn 算法按照距离最近的三部电影的类型，决定未知电影的类
 使用算法：产生简单的命令行程序，然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。
 ```
 
-* 将文本记录转换为 NumPy 的解析程序：
+> 收集数据：提供文本文件
+
+海伦把这些约会对象的数据存放在文本文件 [datingTestSet2.txt](https://github.com/apachecn/MachineLearning/blob/master/input/2.KNN/datingTestSet2.txt) 中，总共有 1000 行。海伦约会的对象主要包含以下 3 种特征：
+
+* 每年获得的飞行常客里程数
+* 玩视频游戏所耗时间百分比
+* 每周消费的冰淇淋公升数
+
+> 准备数据：使用 Python 解析文本文件
 
  ```Python
 def file2matrix(filename):
@@ -109,7 +111,7 @@ def file2matrix(filename):
     return returnMat,classLabelVector
 ```
 
-* 使用 Matplotlib 创建散点图
+> 分析数据：使用 Matplotlib 画二维散点图
 
 ```Python
 import matplotlib
@@ -120,13 +122,22 @@ ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2])
 plt.show()
 ```
 
+> 训练算法：此步骤不适用于 k-近邻算法
+
+> 测试算法：使用海伦提供的部分数据作为测试样本。
+        测试样本和非测试样本的区别在于：
+            测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。
+
+> 使用算法：产生简单的命令行程序，然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。
+
+
 [完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py>
 
-> 优化点
+#### 要点补充
 
 归一化是一个让权重变为统一的过程，更多细节请参考： https://www.zhihu.com/question/19951858
 
-### 项目实战2: 手写数字识别系统
+### 项目案例2: 手写数字识别系统
 
 > 概述