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 abea981..0c55e8c 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
@@ -205,15 +205,15 @@
 
 广义线性模型家族里，依据因变量不同，可以有如下划分：
 
-1. 如果是连续的，就是多重线性回归；
-2. 如果是二项分布，就是Logistic回归；
-3. 如果是Poisson分布，就是Poisson回归；
+1. 如果是连续的，就是多重线性回归。
+2. 如果是二项分布，就是逻辑回归。
+3. 如果是Poisson分布，就是Poisson回归。
 4. 如果是负二项分布，就是负二项回归。
-5. Logistic回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释。所以实际中最常用的就是二分类的Logistic回归。
+5. 逻辑回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释。所以实际中最常用的就是二分类的逻辑回归。
 
 ### 2.8.2 逻辑回归适用性
 
-1. 用于概率预测。用于可能性预测时，得到的结果有可比性。比如根据模型进而预测在不同的自变量情况下，发生某病或某种情况的概率有多大；
+1. 用于概率预测。用于可能性预测时，得到的结果有可比性。比如根据模型进而预测在不同的自变量情况下，发生某病或某种情况的概率有多大。
 2. 用于分类。实际上跟预测有些类似，也是根据模型，判断某人属于某病或属于某种情况的概率有多大，也就是看一下这个人有多大的可能性是属于某病。进行分类时，仅需要设定一个阈值即可，可能性高于阈值是一类，低于阈值是另一类。
 3. 寻找危险因素。寻找某一疾病的危险因素等。
 4. 仅能用于线性问题。只有当目标和特征是线性关系时，才能用逻辑回归。在应用逻辑回归时注意两点：一是当知道模型是非线性时，不适用逻辑回归；二是当使用逻辑回归时，应注意选择和目标为线性关系的特征。