fix typo

docs/06-Kernel-Smoothing-Methods/6.9-Computational-Consoderations.md

@@ -8,7 +8,7 @@
 
 核和局部回归以及密度估计都是memory-based方法：模型是整个训练数据集，并且在赋值或者预测的时候完成拟合．对于许多实时的应用，这使得这类方法不可行．
 
-在单个观测点$x_0$处拟合的计算代价为$O(N)$次flop，除了过于简单的情形（比如平方核）．通过比较，包含$M$个基函数的展开式一次赋值代价为$O(M)$，一般有$M\sim O(log N)$．基函数方法至少有$O(NM^2+M^3)$的初始代价．
+在单个观测点$x_0$处拟合的计算代价为 $O(N)$ 次flop，除了过于简单的情形（比如平方核）．通过比较，包含$M$个基函数的展开式一次赋值代价为$O(M)$，一般有$M\sim O(log N)$．基函数方法至少有$O(NM^2+M^3)$的初始代价．
 
 核方法的光滑参数$\lambda$一般线下(off-line)确定，举个例子，采用交叉验证，其代价为$O(N^2)$次flop．