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 a7777c1..3458923 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
@@ -1495,11 +1495,11 @@ $$
 ​	惩罚参数：数据集D以特征A作为随机变量的熵的倒数。
 
 ### 2.17.7 剪枝处理的作用及策略？
-​	剪枝处理是决策树学习算法用来解决过拟合的一种办法。
+​	剪枝处理是决策树学习算法用来解决过拟合问题的一种办法。
 
 ​	在决策树算法中，为了尽可能正确分类训练样本， 节点划分过程不断重复， 有时候会造成决策树分支过多，以至于将训练样本集自身特点当作泛化特点， 而导致过拟合。 因此可以采用剪枝处理来去掉一些分支来降低过拟合的风险。 
 
-​	剪枝的基本策略有预剪枝(prepruning)和后剪枝(postprunint)。
+​	剪枝的基本策略有预剪枝（pre-pruning）和后剪枝（post-pruning）。
 
 ​	预剪枝：在决策树生成过程中，在每个节点划分前先估计其划分后的泛化性能， 如果不能提升，则停止划分，将当前节点标记为叶结点。