diff --git a/docs/7.集成方法-随机森林和AdaBoost.md b/docs/7.集成方法-随机森林和AdaBoost.md
index 99c0caf8..8d1bd3bf 100644
--- a/docs/7.集成方法-随机森林和AdaBoost.md
+++ b/docs/7.集成方法-随机森林和AdaBoost.md
@@ -84,13 +84,11 @@
 适用数据范围：数值型和标称型
 ```
 
-### 项目案例: 随机森林
-
-![随机森林](/images/7.RandomForest/RandomForest_Flow.jpg)
+### 项目案例: 声纳信号分类
 
 #### 项目概述
 
-这是 Gorman 和 Sejnowski 在研究使用神经网络的声纳信号分类中使用的数据集。任务是训练一个网络来区分声纳信号。
+这是 Gorman 和 Sejnowski 在研究使用神经网络的声纳信号分类中使用的数据集。任务是训练一个模型来区分声纳信号。
 
 #### 开发流程
 
@@ -99,7 +97,7 @@
 准备数据：转换样本集。
 分析数据：手工检查数据。
 训练算法：在数据上，利用 random_forest() 函数进行优化评估，返回模型的综合分类结果。
-测试算法：在采用自定义 n_folds 循环的随机重抽样就行测试评估，得出综合的预测评分。
+测试算法：在采用自定义 n_folds 份随机重抽样 进行测试评估，得出综合的预测评分。
 使用算法：本例没有完成此步骤，若你感兴趣可以构建完整的应用程序，从案例进行封装，就可以构造一个实际运行的类似系统
 ```
 
@@ -226,7 +224,7 @@ def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_feat
     return predictions
 ```
 
-> 测试算法：在采用自定义 n_folds 循环的随机重抽样就行测试评估，得出综合的预测评分。
+> 测试算法：在采用自定义 n_folds 份随机重抽样 进行测试评估，得出综合的预测评分。
 
 * 计算随机森林的预测结果的正确率
 
@@ -238,7 +236,7 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args):
     Args:
         dataset     原始数据集
         algorithm   使用的算法
-        n_folds     树的个数
+        n_folds     数据的份数
         *args       其他的参数
     Returns:
         scores      模型得分
@@ -343,7 +341,7 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args):
 
 > 收集数据：提供的文本文件。
 
-训练数据：horseColicTraining.txt
+训练数据：horseColicTraining.txt<br/>
 测试数据：horseColicTest.txt
 
 ```
@@ -378,6 +376,10 @@ def loadDataSet(fileName):
 
 ![过拟合](/images/7.AdaBoost/过拟合.png)
 
+* 通俗来说：就是把一些噪音数据也拟合进去的，如下图。
+
+![过拟合](/images/7.AdaBoost/过拟合图解.png)
+
 > 训练算法：在数据上，利用 adaBoostTrainDS() 函数训练出一系列的分类器。
 
 ```python
@@ -501,10 +503,12 @@ print m, errArr[predicting10 != mat(labelArrTest).T].sum(), errArr[predicting10
 > ROC 评估方法
 
 * ROC 曲线: 最佳的分类器应该尽可能地处于左上角
-* ![ROC曲线](/images/7.AdaBoost/ROC曲线.png)
-    * 对不同的 ROC 曲线进行比较的一个指标是曲线下的面积(Area Unser the Curve, AUC). 
-    * AUC 给出的是分类器的平均性能值，当然它并不能完全代替对整条曲线的观察。
-    * 一个完美分类器的 AUC 为1，而随机猜测的 AUC 则为0.5。
+
+![ROC曲线](/images/7.AdaBoost/ROC曲线.png)
+ 
+* 对不同的 ROC 曲线进行比较的一个指标是曲线下的面积(Area Unser the Curve, AUC). 
+* AUC 给出的是分类器的平均性能值，当然它并不能完全代替对整条曲线的观察。
+* 一个完美分类器的 AUC 为1，而随机猜测的 AUC 则为0.5。
 
 > 代价函数
 
diff --git a/images/7.AdaBoost/过拟合图解.png b/images/7.AdaBoost/过拟合图解.png
new file mode 100644
index 00000000..0bb222b7
Binary files /dev/null and b/images/7.AdaBoost/过拟合图解.png differ
diff --git a/images/7.RandomForest/RandomForest_Flow.jpg b/images/7.RandomForest/RandomForest_Flow.jpg
deleted file mode 100644
index 1382baec..00000000
Binary files a/images/7.RandomForest/RandomForest_Flow.jpg and /dev/null differ
diff --git a/src/python/7.RandomForest/randomForest.py b/src/python/7.RandomForest/randomForest.py
index 9b6afda6..7f6ddeca 100644
--- a/src/python/7.RandomForest/randomForest.py
+++ b/src/python/7.RandomForest/randomForest.py
@@ -163,7 +163,7 @@ def build_tree(train, max_depth, min_size, n_features):
 # Make a prediction with a decision tree
 def predict(node, row):   # 预测模型分类结果
     if row[node['index']] < node['value']:
-        if isinstance(node['left'], dict):       # isinstance是Python中的一个内建函数。是用来判断一个对象是否是一个已知的类型。
+        if isinstance(node['left'], dict):       # isinstance 是 Python 中的一个内建函数。是用来判断一个对象是否是一个已知的类型。
             return predict(node['left'], row)
         else:
             return node['left']
@@ -258,7 +258,7 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args):
     Args:
         dataset     原始数据集
         algorithm   使用的算法
-        n_folds     树的个数
+        n_folds     数据的份数
         *args       其他的参数
     Returns:
         scores      模型得分