diff --git a/Day81-90/82.k最近邻算法.md b/Day81-90/82.k最近邻算法.md
index 160809f..2e522f0 100644
--- a/Day81-90/82.k最近邻算法.md
+++ b/Day81-90/82.k最近邻算法.md
@@ -15,19 +15,19 @@ $$
 当 $\small{p = 1}$ 时，闵氏距离退化为**曼哈顿距离**，即：
 
 $$
-d(\bold{x}, \bold{y}) = \sum_{i=1}^{n}|x_{i} - y_{i}|
+d(\mathbf{x}, \mathbf{y}) = \sum_{i=1}^{n}|x_{i} - y_{i}|
 $$
 
 当 $\small{p = 2}$ 时，闵氏距离退化为**欧几里得距离**，即：
 
 $$
-d(\bold{x}, \bold{y}) = \sqrt{\sum_{i=1}^{n}(x_{i} - y_{i})^{2}}
+d(\mathbf{x}, \mathbf{y}) = \sqrt{\sum_{i=1}^{n}(x_{i} - y_{i})^{2}}
 $$
 
 当 $\small{p \to \infty}$ 时，闵氏距离成为**切比雪夫距离**，即：
 
 $$
-d(\bold{x}, \bold{y}) = \underset{i}{max}(|x_{i} - y_{i}|)
+d(\mathbf{x}, \mathbf{y}) = \underset{i}{max}(|x_{i} - y_{i}|)
 $$
 
 其他的距离度量方式我们等用到的时候再为大家介绍。在使用k 最近邻算法做分类时，我们的数据集通常都是数值型数据，此时直接使用欧几里得距离是一个不错的选择。