fix for http:https://disq.us/p/2w4ntbl

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

@@ -3,8 +3,8 @@
 原文 | [The Elements of Statistical Learning](https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12.pdf#page=28)
  ---|---
 翻译 | szcf-weiya
- 发布 | 2016-09-30 
-更新 | 2018-08-21
+ 发布 | 2016-09-30 
+更新 | {{ git_revision_date }}
 状态 | Done
 
 这些例子中的输出变量本质都不相同．在预测葡萄糖的例子中，输出变量是 **定量 (quantitative)** 的度量，有些度量大于其他的，而且测量结果在数值上相近也意味着结果本质上相近．著名的 R.A.Fisher 分辨鸢尾花种类例子中，输出变量（鸢尾花的种类）是 **定性的 (qualitative)** 而且假设取值为有限集合 ${\cal G}=\\{Virginica,Setosa,Versicolor\\}$．在手写数字的例子中，输出变量的取值是 $10$ 个不同数字之一：${\cal G}=\\{0,1,...,9\\}$．在这些例子中分类没有明显的顺序，而且事实上经常用描述性标签而不是数字来代替这些分类．定性变量也被称为 **类别型 (categories)** 或者 **离散 (discrete)** 型变量，也被称作 **因子 (factors)**．
@@ -13,7 +13,7 @@
 
 输出类型的差别导致对预测的命名规定：当我们预测定量的输出时被称为 **回归 (regression)**，当我们预测定性的输出时被称为 **分类(classification)**．我们将会看到这两个任务有很多的共同点，特别地，两者都可以看成是函数逼近．
 
-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．
+输入变量同样有多种度量类型；我们可以有一些定性和定量输入变量的组合. 这些差异也导致了用于预测的方法类型的区分：某些方法最适合于定量的输入变量，某些方法最适合于定性的输入变量，还有一些适用于两者．
 
 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与中间的差异相等）．这将在[第四章](../04-Linear-Methods-for-Classification/4.1-Introduction/index.html)中讨论．