diff --git "a/MachineLearningAlgorithm/\351\233\206\346\210\220\345\255\246\344\271\240.md" "b/MachineLearningAlgorithm/\351\233\206\346\210\220\345\255\246\344\271\240.md"
index 662514f..35a3dac 100644
--- "a/MachineLearningAlgorithm/\351\233\206\346\210\220\345\255\246\344\271\240.md"
+++ "b/MachineLearningAlgorithm/\351\233\206\346\210\220\345\255\246\344\271\240.md"
@@ -190,7 +190,7 @@ Stacking 应用 基于串行策略 的方式进行学习
   - 基分类器：CART，其无论是处理分类还是回归均是将采用回归拟合（将分类问题通过 softmax 转换为回归问题），用当前轮 CART 树拟合前一轮目标函数与实际值的负梯度 ht = -g;
   - 本质：回归算法；
 
-> 也正是因为 GBDT 采用的 CART 树模型作为基分类器进行负梯度拟合，其是一种对特征样本空间进行划分的策略，不能使用 SGD 等梯度优化算法，而是 CART 树自身的节点分裂策略：均方差(回归) 也带来了算法上的不同； GBDT 损失函数值得是前一轮拟合模型与实际值的差异，而树节点内部分裂的特征选择则是固定为 CART 的均方差，目标损失函数可以自定义，当前轮 CART 树旨在拟合负梯度。
+> 也正是因为 GBDT 采用的 CART 树模型作为基分类器进行负梯度拟合，其是一种对特征样本空间进行划分的策略，不能使用 SGD 等梯度优化算法，而是 CART 树自身的节点分裂策略：均方差(回归) 也带来了算法上的不同； GBDT 损失函数指的是前一轮拟合模型与实际值的差异，而树节点内部分裂的特征选择则是固定为 CART 的均方差，目标损失函数可以自定义，当前轮 CART 树旨在拟合负梯度。
 
 ###### 7.1.1.2.2 从 特征空间 角度