diff --git "a/AI\347\256\227\346\263\225/machine-learning/RandomForest.md" "b/AI\347\256\227\346\263\225/machine-learning/RandomForest.md"
index 54fc9c0..d8adc21 100644
--- "a/AI\347\256\227\346\263\225/machine-learning/RandomForest.md"
+++ "b/AI\347\256\227\346\263\225/machine-learning/RandomForest.md"
@@ -34,7 +34,7 @@
 
 ## 4. 为什么不用全样本训练？
 
-全样本训练忽视了局部样本的规律（各个决策树趋于相同），对于模型的泛化能力是有害的，使随机森林算法在羊本层面失去了随机性。
+全样本训练忽视了局部样本的规律（各个决策树趋于相同），对于模型的泛化能力是有害的，使随机森林算法在样本层面失去了随机性。
 
 ## 5. 为什么要随机特征？
 
diff --git "a/AI\347\256\227\346\263\225/machine-learning/metrics.md" "b/AI\347\256\227\346\263\225/machine-learning/metrics.md"
index 3fae52e..9c5f76c 100644
--- "a/AI\347\256\227\346\263\225/machine-learning/metrics.md"
+++ "b/AI\347\256\227\346\263\225/machine-learning/metrics.md"
@@ -74,7 +74,7 @@ Acc与Error平等对待每个类别，即每一个样本判对 (0) 和判错 (1)
 
 ![image-20210616223053609](img/Metrics/image-20210616223053609.png)
 
-###  准确率（查准率） Precision
+###  精确率（查准率） Precision
 
 Precision 是分类器预测的正样本中预测正确的比例，取值范围为[0,1]，取值越大，模型预测能力越好。
 $$
diff --git "a/AI\347\256\227\346\263\225/machine-learning/\350\277\207\346\213\237\345\220\210\344\270\216\346\254\240\346\213\237\345\220\210.md" "b/AI\347\256\227\346\263\225/machine-learning/\350\277\207\346\213\237\345\220\210\344\270\216\346\254\240\346\213\237\345\220\210.md"
index cf401c6..90066de 100644
--- "a/AI\347\256\227\346\263\225/machine-learning/\350\277\207\346\213\237\345\220\210\344\270\216\346\254\240\346\213\237\345\220\210.md"
+++ "b/AI\347\256\227\346\263\225/machine-learning/\350\277\207\346\213\237\345\220\210\344\270\216\346\254\240\346\213\237\345\220\210.md"
@@ -100,7 +100,7 @@
 
 参考链接： https://www.zhihu.com/question/37096933/answer/475278057
 
-## 7. Dropout为什么有助于过拟合？（重点）
+## 7. Dropout为什么有助于防止过拟合？（重点）
 
 * 取平均的作用