diff --git a/docs/chapter3/chapter3.md b/docs/chapter3/chapter3.md
index b77a3db..7caa5fc 100644
--- a/docs/chapter3/chapter3.md
+++ b/docs/chapter3/chapter3.md
@@ -45,7 +45,7 @@ $$
函数空间$\mathcal F$关于$\mathcal Z$在分布$\mathcal D$上的Rademacher复杂度为：
$$
-\Re_{\mathcal Z}(\mathcal F)=E_{Z\subset\mathcal Z:|Z|=m}[\hat\Re_{\mathcal Z}(\mathcal F)]=E_{Z\subset\mathcal Z:|Z|=m}[E_{\sigma}[\underset{f\in\mathcal F}{sup}\frac{1}{m}\sideset{}{_{i=1}^m}\sum\sigma_i f(z_i)]]
+\Re_{\mathcal Z}(\mathcal F)=E_{Z\subset\mathcal Z:|Z|=m}[\hat\Re_{\mathcal Z}(\mathcal F)]=E_{Z\subset\mathcal Z:|Z|=m}[E_{\sigma}[\underset{f\in\mathcal F}{sup}\frac{1}{m} \sum_{i=1}^m \sigma_i f(z_i)]]
$$
这里$\sigma_i$是${-1,+1}$上服从均匀分布的随机变量。如果将$\sigma_i$改为其他分布，会得到一些别的复杂度定义。
diff --git a/docs/chapter6/chapter6.md b/docs/chapter6/chapter6.md
index 57a76ed..19247b4 100644
--- a/docs/chapter6/chapter6.md
+++ b/docs/chapter6/chapter6.md
@@ -56,17 +56,19 @@ P122，介绍一种将样本空间划分成多个互不相容的区域，然后
一种典型的方案就是我们熟悉的决策树模型：
-
+
-每当构造出一个决策树的节点时，就等同于在样本空间上做出了一次划分。这一洞察方式同样可解释剪枝操作，例如剪枝前的样本空间为：
-
+每当构造出一个决策树的节点时，就等同于在样本空间上做出了一次划分。这一洞察方式同样可解释剪枝操作，例如剪枝前的样本空间为：
+
而剪枝之后则为：
-
+
+
+
此即所谓的划分机制。