diff --git a/ch02_机器学习基础/第二章_机器学习基础.md b/ch02_机器学习基础/第二章_机器学习基础.md
index 3458923..470ef7d 100644
--- a/ch02_机器学习基础/第二章_机器学习基础.md
+++ b/ch02_机器学习基础/第二章_机器学习基础.md
@@ -1512,17 +1512,17 @@ $$
 
 ​	支持向量机（Support Vector Machine，SVM）：其含义是通过支持向量运算的分类器。
 
-​	在一个二维环境中，其中点R，S，G点和其它靠近中间黑线的点可以看作为支持向量，它们可以决定分类器，黑线的具体参数。
+​	在一个二维环境中，其中点R，S，G点和其它靠近中间黑线的点可以看作为支持向量，它们可以决定分类器，即黑线的具体参数。
 
 ![](./img/ch2/2-6.png)
 
-​	支持向量机（support vector machines）是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。由简至繁的模型包括：
+​	支持向量机是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是边界最大化，最终转化为一个凸二次规划问题来求解。由简至繁的模型包括：
 
-​	当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机；
+​	当训练样本线性可分时，通过硬边界（hard margin）最大化，学习一个线性可分支持向量机；
 
-​	当训练样本近似线性可分时，通过软间隔最大化，学习一个线性支持向量机；
+​	当训练样本近似线性可分时，通过软边界（soft margin）最大化，学习一个线性支持向量机；
 
-​	当训练样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机；
+​	当训练样本线性不可分时，通过核技巧和软边界最大化，学习一个非线性支持向量机；
 
 ### 2.18.2 支持向量机能解决哪些问题？