diff --git a/docs/13.利用PCA来简化数据.md b/docs/13.利用PCA来简化数据.md
index 23b86ac5..d2cafe3a 100644
--- a/docs/13.利用PCA来简化数据.md
+++ b/docs/13.利用PCA来简化数据.md
@@ -1,10 +1,17 @@
-# 第13章 利用PCA来简化数据
+# 第13章 利用 PCA 来简化数据
 
 ![利用PCA简化数据_首页](/images/13.PCA/利用PCA简化数据_首页.jpg)
 
-## 降维技术 概述
+## 降维技术 
 
-> 数据显示并非大规模特征下的唯一难题，对数据进行简化还有如下一系列的原因：
+> 场景
+
+* 我们正通过电视观看体育比赛，在电视的显示器上有一个球。
+* 显示器大概包含了100万像素点，而球则可能是由较少的像素点组成，例如说一千个像素点。
+* 人们实时的将显示器上的百万像素转换成为一个三维图像，该图像就给出运动场上球的位置。
+* 在这个过程中，人们已经将百万像素点的数据，降至为三维。这个过程就称为`降维(dimensionality reduction)`
+
+> 数据显示 并非大规模特征下的唯一难题，对数据进行简化还有如下一系列的原因：
 
 * 1) 使得数据集更容易使用
 * 2) 降低很多算法的计算开销
@@ -21,35 +28,21 @@
 * 1) 主成分分析(Principal Component Analysis, PCA)
     * `通俗理解：就是找出一个最主要的特征，然后进行分析。`
     * `例如： 考察一个人的智力情况，就直接看数学成绩就行(存在：数学、语文、英语成绩)`
-    * a.将数据从原来的坐标系转换到了新的坐标系，新的坐标系的选择是由数据本身决定的。
-    * b.第一个新坐标轴选择的是原始数据中`方差最大`的方向
-    * c.第二个新坐标轴的选择和第一个坐标轴`正交(orthogonal 如果是二维空间就叫垂直)`且具有`最大方差`的方向。
-    * d.该过程一直重复，重复次数为原始数据中特征的数目。
-    * 我们会发现，大部分方差都包含在最前面的几个新坐标轴中。因此，我们可以忽略余下的坐标轴，即对数据进行了降维处理。
 * 2) 因子分析(Factor Analysis)
-    * `通俗理解：将多个实测变量转换为少数几个综合指标,它反映一种降维的思想.通过降维将相关性高的变量聚在一起,从而减少需要分析的变量的数量,而减少问题分析的复杂性`
+    * `通俗理解：将多个实测变量转换为少数几个综合指标。它反映一种降维的思想，通过降维将相关性高的变量聚在一起,从而减少需要分析的变量的数量,而减少问题分析的复杂性`
     * `例如： 考察一个人的整体情况，就直接组合3样成绩(隐变量)，看平均成绩就行(存在：数学、语文、英语成绩)`
     * 应用的领域：社会科学、金融和其他领域
     * 在因子分析中，我们
-        * 假设观察数据的生成中有一些观察不到的隐变量(latent variable)。
+        * 假设观察数据的成分中有一些观察不到的隐变量(latent variable)。
         * 假设观察数据是这些隐变量和某些噪音的线性组合。
         * 那么隐变量的数据可能比观察数据的数目少，也就说通过找到隐变量就可以实现数据的降维。
 * 3) 独立成分分析(Independ Component Analysis, ICA)
-    * `通俗理解：PCA(主成分分析)寻找的是，使得投影之后，尽量保留原有信息量的投影方向。 ICA(独立主成分分析)寻找的是，使得投影之后，数据之间相互独立的投影方向。`
-    * `例如：我们去ktv唱歌，想辨别唱的是哪首歌，PCA就是搜录歌词；而ICA是对歌词按人进行完全的拆分。`
-    * ICA假设数据是从N个数据源生成的，这一点和因子分析有些类似。
-    * 假设数据为多个数据源的混合观察结果，这些数据源之间在统计上是相互独立的，而在PCA中只假设数据是不相关的。
+    * `通俗理解：ICA 认为观测信号是若干个独立信号的线性组合，ICA 要做的是一个解混过程。`
+    * `例如：我们去ktv唱歌，想辨别唱的是什么歌曲？ICA 是观察发现是原唱唱的一首歌【2个独立的声音（原唱／主唱）】。`
+    * ICA 是假设数据是从 N 个数据源混合组成的，这一点和因子分析有些类似，这些数据源之间在统计上是相互独立的，而在 PCA 中只假设数据是不 相关（线性关系）的。
     * 同因子分析一样，如果数据源的数目少于观察数据的数目，则可以实现降维过程。
 
 
-## 降维技术 场景
-
-* 我们正通过电视而非现场观看体育比赛，在电视的纯平显示器上有一个球。
-* 显示器大概包含了100万像素，而球则可能是由较少的像素组成，例如说一千个像素。
-* 人们实时的将显示器上的百万像素转换成为一个三维图像，该图像就给出运动场上球的位置。
-* 在这个过程中，人们已经将数据从一百万维降至了三维。这就被称为`降维(dimensionality reduction)`
-
-
 ## PCA
 
 ### PCA 概述
@@ -64,13 +57,11 @@
 
 > PCA 工作原理
 
-通过PCA进行降维处理，我们就可以同时获得SVM和决策树的优点：(得到了和决策树一样简单的分类器，同时分类间隔和SVM一样好)
-
-1. 第一个主成分就是来自于数据差异性最大(即: `方差最大`)的方向提取出来
-2. 第二个主成分就是来自于数据差异性次大的方向，并且该方向于第一个主成分方向`正交(orthogonal 如果是二维空间就叫垂直)`。
-3. 通过数据集的协方差矩阵及其特征值分析，我们就可以得到这些主成分的值。
-4. 一旦得到了协方差矩阵的特征向量，我们就可以保留最大的N个值。这些特征向量也给出了N个最重要特征的真实结构。
-    我们可以通过将数据乘上这N个特征向量而将它转换到新的空间。
+1. 找出第一个主成分的方向，也就是数据 `方差最大` 的方向。
+2. 找出第二个主成分的方向，也就是数据 `方差次大` 的方向，并且该方向与第一个主成分方向 `正交(orthogonal 如果是二维空间就叫垂直)`。
+3. 通过这种方式计算出所有的主成分方向。
+4. 通过数据集的协方差矩阵及其特征值分析，我们就可以得到这些主成分的值。
+5. 一旦得到了协方差矩阵的特征值和特征向量，我们就可以保留最大的 N 个特征。这些特征向量也给出了 N 个最重要特征的真实结构，我们就可以通过将数据乘上这 N 个特征向量 从而将它转换到新的空间上。
 
 例如下图：
 
@@ -79,6 +70,7 @@
 > PCA 优缺点
 
 ```
+通过 PCA 进行降维处理，我们就可以同时获得 SVM 和决策树的优点：(得到了和决策树一样简单的分类器，同时分类间隔和SVM一样好)
 优点：降低数据的复杂性，识别最重要的多个特征。
 缺点：不一定需要，且可能损失有用信息。
 适用数据类型：数值型数据。
@@ -90,7 +82,7 @@
 
 ```
 半导体是在一些极为先进的工厂中制造出来的。设备的生命早期有限，并且花费极其巨大。
-虽然通过早起测试和频繁的测试来发现有瑕疵的产品，但仍有一些存在瑕疵的产品通过测试。
+虽然通过早期测试和频繁测试来发现有瑕疵的产品，但仍有一些存在瑕疵的产品通过测试。
 如果我们通过机器学习技术用于发现瑕疵产品，那么它就会为制造商节省大量的资金。
 
 具体来讲，它拥有590个特征。我们看看能否对这些特征进行降维处理。
@@ -136,6 +128,10 @@ def replaceNanWithMean():
 
 > PCA 数据降维
 
+在等式 Av=入v 中，v 是特征向量， 入是特征值。<br/>
+表示 如果特征向量 v 被某个矩阵 A 左乘，那么它就等于某个标量 入 乘以 v.<br/>
+幸运的是： Numpy 中有寻找特征向量和特征值的模块 linalg，它有 eig() 方法，该方法用于求解特征向量和特征值。
+
 ```python
 def pca(dataMat, topNfeat=9999999):
     """pca
@@ -210,7 +206,7 @@ def pca(dataMat, topNfeat=9999999):
 ```
 降维技术使得数据变的更易使用，并且它们往往能够去除数据中的噪音，使得其他机器学习任务更加精确。
 降维往往作为预处理步骤，在数据应用到其他算法之前清洗数据。
-比较流行的降维技术： 独立主成分分析、因子分析 和 主成分分析， 其中又以主成分分析应用最广泛。
+比较流行的降维技术： 独立成分分析、因子分析 和 主成分分析， 其中又以主成分分析应用最广泛。
 
 本章中的PCA将所有的数据集都调入了内存，如果无法做到，就需要其他的方法来寻找其特征值。
 如果使用在线PCA分析的方法，你可以参考一篇优秀的论文 "Incremental Eigenanalysis for Classification"。 
diff --git a/src/python/13.PCA/pca.py b/src/python/13.PCA/pca.py
index 53101511..7be767ef 100644
--- a/src/python/13.PCA/pca.py
+++ b/src/python/13.PCA/pca.py
@@ -145,8 +145,8 @@ if __name__ == "__main__":
     # 利用PCA对半导体制造数据降维
     dataMat = replaceNanWithMean()
     print shape(dataMat)
-    # # 分析数据
-    # analyse_data(dataMat)
-    lowDmat, reconMat = pca(dataMat, 20)
-    print shape(lowDmat)
-    show_picture(dataMat, reconMat)
+    # 分析数据
+    analyse_data(dataMat)
+    # lowDmat, reconMat = pca(dataMat, 20)
+    # print shape(lowDmat)
+    # show_picture(dataMat, reconMat)