From 667332ff1752acdccde1f2b55d475f145b6004c0 Mon Sep 17 00:00:00 2001
From: szcf-weiya <2215235182@qq.com>
Date: Sat, 22 Feb 2020 23:58:44 +0800
Subject: [PATCH] update tags

---
 .../7.2-Bias-Variance-and-Model-Complexity.md        | 12 +++++++++++-
 ...rected-Graphical-Models-for-Discrete-Variables.md |  9 ++++++---
 2 files changed, 17 insertions(+), 4 deletions(-)

diff --git a/docs/07-Model-Assessment-and-Selection/7.2-Bias-Variance-and-Model-Complexity.md b/docs/07-Model-Assessment-and-Selection/7.2-Bias-Variance-and-Model-Complexity.md
index 4d460a10ee..66275772c3 100644
--- a/docs/07-Model-Assessment-and-Selection/7.2-Bias-Variance-and-Model-Complexity.md
+++ b/docs/07-Model-Assessment-and-Selection/7.2-Bias-Variance-and-Model-Complexity.md
@@ -14,7 +14,17 @@
 
 > 图 7.1. 当模型复杂度变化时测试样本和训练样本的误差．浅蓝色曲线显示了当模型复杂度增加时训练误差 $\overline{\err}$ 的变化，而浅红色曲线显示了当模型复杂度增加时 100 个大小为 50 的训练集的条件测试误差 $\Err_{\cal T}$ 的变化．实（粗）线显示了对应的期望测试误差 $\Err$ 和期望训练误差 $\E[\overline{\err}]$
 
-图 7.1 说明了评估某学习方法泛化能力中的一个重要问题．首先考虑定量或者 **等距尺度 (interval scale)** 响应变量的情形．我们有目标变量 $Y$，输入向量 $X$，以及从训练集 $\cal T$ 估计出来的预测模型 $\hat f(X)$．衡量 $Y$ 与 $\hat f(X)$ 间误差的损失函数记为 $L(Y,\hat f(X))$．一般的选择是
+图 7.1 说明了评估某学习方法泛化能力中的一个重要问题．首先考虑 **定量 (quantitative)** 或者 **定距型 (interval scale)** 响应变量的情形．
+
+!!! note "weiya 注："
+    根据[百度百科](https://baike.baidu.com/item/%E5%AE%9A%E8%B7%9D%E5%8F%98%E9%87%8F/2710255) 即 [知乎回答](https://www.zhihu.com/question/26201880)，定距变量也称间距变量，是取值具有“距离”特征的变量。统计学依据数据的计量尺度将数据分为四大类：
+
+    - **定距型 (interval scale)**: 数值变量，可以加减运算，但不能乘除；不存在基准 0 值，即当变量值为 0 时不是表示没有，如温度变量。 
+    - **定序型 (ordinal scale)**: 类别型变量，如性别。
+    - **定类型 (nominal scale)**: 不可以做四则运算，如满意度（非常满意、满意、一般、不满意、非常不满意）。
+    - **定比型 (ratio scale)**: 数值变量，存在 0 值，比值有意义。
+
+我们有目标变量 $Y$，输入向量 $X$，以及从训练集 $\cal T$ 估计出来的预测模型 $\hat f(X)$．衡量 $Y$ 与 $\hat f(X)$ 间误差的损失函数记为 $L(Y,\hat f(X))$．一般的选择是
 
 $$
 L(Y,\hat f(X))=\left\{
diff --git a/docs/17-Undirected-Graphical-Models/17.4-Undirected-Graphical-Models-for-Discrete-Variables.md b/docs/17-Undirected-Graphical-Models/17.4-Undirected-Graphical-Models-for-Discrete-Variables.md
index ff754e5a62..8f27ce515f 100644
--- a/docs/17-Undirected-Graphical-Models/17.4-Undirected-Graphical-Models-for-Discrete-Variables.md
+++ b/docs/17-Undirected-Graphical-Models/17.4-Undirected-Graphical-Models-for-Discrete-Variables.md
@@ -38,12 +38,15 @@ $$
 	\tag{17.5}\label{17.5}
 	$$
 
-分割函数保证在样本空间中概率相加起来为 1．$\theta_{jk}X_jX_k$ 项表示（对数）势函数 \eqref{17.5} 的特定参量化，而且因为技术上的原因需要包含 **常值 (constant)** 结点（与其他结点都有边相连） $X_0\equiv 1$（[练习 17.10](https://github.com/szcf-weiya/ESL-CN/issues/139)）．
-
+分割函数保证在样本空间中概率相加起来为 1．$\theta_{jk}X_jX_k$ 项表示（对数）势函数 \eqref{17.5} 的特定参量化，而且因为技术上的原因需要包含 **常值结点 (constant node)** $X_0\equiv 1$，即与其他结点都有边相连.（[练习 17.10](https://github.com/szcf-weiya/ESL-CN/issues/139)）．
+ 
 !!! note "weiya 注：Ex. 17.10"
 	已解决，详见 [Issue 139: Ex. 17.10](https://github.com/szcf-weiya/ESL-CN/issues/139)．
 
-在统计领域中，这个模型等价于多路计算表（multiway tables of counts）的一阶交叉泊松对数线性模型（Bishop et al.，1975[^1] ;McCullagh and Nelder,1989[^2]; Agresti, 2002[^3]）．
+在统计领域中，这个模型等价于 **多路计数表 (multiway tables of counts)** 的 **一阶交叉泊松对数线性模型 (first-order-interaction Poisson log-linear model)**（Bishop et al.，1975[^1] ;McCullagh and Nelder,1989[^2]; Agresti, 2002[^3]）．
+
+!!! note "weiya 注：multiway tables of counts"
+	Agresti (2002) 在 p17 介绍到，如果一个 **列联表 (contigency table)** 对两个（类别型）变量进行交叉分类，则称为 two-way table；如果对三个变量交叉分类，则称为 three-way table，以此类推. 
 
 [^1]: Bishop, Y., Fienberg, S. and Holland, P. (1975). Discrete Multivariate Analysis, MIT Press, Cambridge, MA.
 [^2]: McCullagh, P. and Nelder, J. (1989). Generalized Linear Models, Chapman and Hall, London.