fix typo

docs/02-Overview-of-Supervised-Learning/2.2-Variable-Types-and-Terminology.md

@@ -15,7 +15,7 @@
 
 输入变量也有各种各样的测量类型；我们可以有定性的输入变量和定量的输入变量两者中的一些变量。这些也导致了预测中方法类型的不同：一些方法更自然地定义为定量的输入变量，一些方法更自然地定义为定性的输入变量，还有一些是两者都可以的。
 
-第三种变量类型是 **有序分类 (ordered categorical)**，如 **小(small)**、**中 (medium)** 和 **大 (large)**，在这些值之间存在顺序，但是没有合适的度量的概念（中与小之间的差异不必和大于中间的差异相等）。这将在[第四章](../04-Linear-Methods-for-Classification/4.1-Introduction/index.html)中讨论。
+第三种变量类型是 **有序分类 (ordered categorical)**，如 **小(small)**、**中 (medium)** 和 **大 (large)**，在这些值之间存在顺序，但是没有合适的度量概念（中与小之间的差异不必和大于中间的差异相等）。这将在[第四章](../04-Linear-Methods-for-Classification/4.1-Introduction/index.html)中讨论。
 
 定性的变量常用数字编码来表示。最简单的情形是只有两个分类，比如说“成功”与“失败”，“生存”与“死亡”。这些经常用一位二进制数来表示，比如 $0$ 或 $1$，或者用 $-1$ 和 $1$ 来表示。因为一些显然的原因，这些数字编码有时被称作 **指标 (targets)**。当存在超过两个的类别，存在其他可行的选择。最有用并且最普遍使用的编码是 **虚拟变量(dummy variables)**。这里有 $K$ 个水平的定性变量被一个 $K$ 位的二进制变量表示，每次只有一个在开启状态。尽管更简洁的编码模式也是可能的，但虚拟变量在因子的层次中是对称的。