diff --git a/zusammenfassung/zusammenfassung.md b/zusammenfassung/zusammenfassung.md
index e373f97..646a061 100644
--- a/zusammenfassung/zusammenfassung.md
+++ b/zusammenfassung/zusammenfassung.md
@@ -193,7 +193,8 @@ $$
 |FPR (False Positive Rate)|Die FPR (False Positive Rate) misst, wie viele der negativen Beispiele fälschlich als positiv klassifiziert wurden. Eine FPR von 0.2 bedeutet: 20 % der negativen Beispiele wurden falsch als positiv erkannt. $\large FPR = \frac{FP}{FP+TN} $|
 |Multiclass Classification|Multiclass Classification umfasst Datensätze mit mehreren Klassenbezeichnungen. <div><img src="bilder/binary_vs_multiclass_classification.webp" alt="Binäre vs Multiclass Classification" width="300"/> <img src="bilder/multiclass_classification.webp" alt="Multiclass Classification" width="300"/><div>|
 |One vs. The Rest|Beim One vs. Rest Klassifizierungsansatz, der auf einen Datensatz mit N unterschiedlichen Klassen zugeschnitten ist, werden N binäre Klassifikatoren generiert, die jeweils einer bestimmten Klasse entsprechen. Die Anzahl der Klassifikatoren entspricht der Anzahl der eindeutigen Klassenbezeichnungen, die im Datensatz vorhanden sind. <img src="bilder/one_vs_the_rest.webp" alt="One vs. the Rest" width="700"/>|
-|One vs. One|Bei der One vs. One Klassifizierungsstrategie, die auf einen Datensatz mit N unterschiedlichen Klassen zugeschnitten ist, werden insgesamt N * (N-1) / 2 binäre Klassifikatoren generiert. Bei diesem Ansatz wird für jedes mögliche Klassenpaar ein binärer Klassifikator erstellt. <img src="bilder/one_vs_one.webp" alt="One vs. the Rest" width="700"/>|
+|One vs. One|Bei der One vs. One Klassifizierungsstrategie, die auf einen Datensatz mit N unterschiedlichen Klassen zugeschnitten ist, werden insgesamt N * (N-1) / 2 binäre Klassifikatoren generiert. Bei diesem Ansatz wird für jedes mögliche Klassenpaar ein binärer Klassifikator erstellt. 
+<img src="bilder/one_vs_one.webp" alt="One vs. the Rest" width="700"/>|
 |||
 |||
 |||