diff --git a/docs/15.大数据与MapReduce.md b/docs/15.大数据与MapReduce.md
index 83e4cc5e..89236c50 100644
--- a/docs/15.大数据与MapReduce.md
+++ b/docs/15.大数据与MapReduce.md
@@ -121,7 +121,7 @@ Pegasos是指原始估计梯度求解器(Peimal Estimated sub-GrAdient Solver)
 上述算法伪代码如下：
 
 ```
-将 w 初始化为0
+将 回归系数w 初始化为0
 对每次批处理
     随机选择 k 个样本点(向量)
     对每个向量
@@ -141,6 +141,36 @@ Pegasos是指原始估计梯度求解器(Peimal Estimated sub-GrAdient Solver)
 使用算法：本例不会展示一个完整的应用，但会展示如何在大数据集上训练SVM。该算法其中一个应用场景就是本文分类，通常在文本分类里可能有大量的文档和成千上万的特征。
 ```
 
+> 收集数据
+
+文本文件数据格式如下：
+
+```python
+0.365032        2.465645        -1
+-2.494175       -0.292380       -1
+-3.039364       -0.123108       -1
+1.348150        0.255696        1
+2.768494        1.234954        1
+1.232328        -0.601198       1
+```
+
+> 准备数据
+
+```python
+def loadDataSet(fileName):
+    dataMat = []
+    labelMat = []
+    fr = open(fileName)
+    for line in fr.readlines():
+        lineArr = line.strip().split('\t')
+        # dataMat.append([float(lineArr[0]), float(lineArr[1]), float(lineArr[2])])
+        dataMat.append([float(lineArr[0]), float(lineArr[1])])
+        labelMat.append(float(lineArr[2]))
+    return dataMat, labelMat
+```
+
+> 分析数据: 无
+
 > 训练算法
 
 ```python
@@ -150,19 +180,19 @@ def batchPegasos(dataSet, labels, lam, T, k):
     Args:
         dataMat    特征集合
         labels     分类结果集合
-        lam        固定值，微调的空间
+        lam        固定值
         T          迭代次数
         k          待处理列表大小
     Returns:
-        w          权重向量
+        w          回归系数
     """
     m, n = shape(dataSet)
-    w = zeros(n)
+    w = zeros(n)  # 回归系数
     dataIndex = range(m)
     for t in range(1, T+1):
         wDelta = mat(zeros(n))  # 重置 wDelta
 
-        # 它是学习率，代表了权重调整幅度的大小。（也可以理解为随机梯度的步长）
+        # 它是学习率，代表了权重调整幅度的大小。（也可以理解为随机梯度的步长，使它不断减小，便于拟合）
         # 输入T和K分别设定了迭代次数和待处理列表的大小。在T次迭代过程中，每次需要重新计算eta
         eta = 1.0/(lam*t)
         random.shuffle(dataIndex)
@@ -170,7 +200,7 @@ def batchPegasos(dataSet, labels, lam, T, k):
             i = dataIndex[j]
             p = predict(w, dataSet[i, :])              # mapper 代码
 
-            # 如果预测正确，并且预测结果的绝对值>=1, 认为没问题。
+            # 如果预测正确，并且预测结果的绝对值>=1，因为最大间隔为1, 认为没问题。
             # 否则算是预测错误, 通过预测错误的结果，来累计更新w.
             if labels[i]*p < 1:                        # mapper 代码
                 wDelta += labels[i]*dataSet[i, :].A    # 累积变化
@@ -183,7 +213,7 @@ def batchPegasos(dataSet, labels, lam, T, k):
 
 [完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/pegasos.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/pegasos.py>
 
-[MR版本的代码位置](https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/mrSVM.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/mrSVM.py>
+[MR版本的代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/mrSVM.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/15.BigData_MapReduce/mrSVM.py>
 
 * * *
 
diff --git a/src/python/15.BigData_MapReduce/pegasos.py b/src/python/15.BigData_MapReduce/pegasos.py
index eaa05d49..115a0fee 100644
--- a/src/python/15.BigData_MapReduce/pegasos.py
+++ b/src/python/15.BigData_MapReduce/pegasos.py
@@ -46,19 +46,19 @@ def batchPegasos(dataSet, labels, lam, T, k):
     Args:
         dataMat    特征集合
         labels     分类结果集合
-        lam        固定值，微调的空间
+        lam        固定值
         T          迭代次数
         k          待处理列表大小
     Returns:
-        w          权重向量
+        w          回归系数
     """
     m, n = shape(dataSet)
-    w = zeros(n)
+    w = zeros(n)  # 回归系数
     dataIndex = range(m)
     for t in range(1, T+1):
         wDelta = mat(zeros(n))  # 重置 wDelta
 
-        # 它是学习率，代表了权重调整幅度的大小。（也可以理解为随机梯度的步长）
+        # 它是学习率，代表了权重调整幅度的大小。（也可以理解为随机梯度的步长，使它不断减小，便于拟合）
         # 输入T和K分别设定了迭代次数和待处理列表的大小。在T次迭代过程中，每次需要重新计算eta
         eta = 1.0/(lam*t)
         random.shuffle(dataIndex)
@@ -66,7 +66,7 @@ def batchPegasos(dataSet, labels, lam, T, k):
             i = dataIndex[j]
             p = predict(w, dataSet[i, :])              # mapper 代码
 
-            # 如果预测正确，并且预测结果的绝对值>=1, 认为没问题。
+            # 如果预测正确，并且预测结果的绝对值>=1，因为最大间隔为1, 认为没问题。
             # 否则算是预测错误, 通过预测错误的结果，来累计更新w.
             if labels[i]*p < 1:                        # mapper 代码
                 wDelta += labels[i]*dataSet[i, :].A    # 累积变化