diff --git a/docs/5.Logistic回归.md b/docs/5.Logistic回归.md
index 6127655a..049f3389 100644
--- a/docs/5.Logistic回归.md
+++ b/docs/5.Logistic回归.md
@@ -19,7 +19,7 @@
 
 ![Sigmoid 函数在不同坐标下的图片](../images/5.Logistic/LR_3.png)
 
-因此，为了实现 Logistic 回归分类器，我们可以在每个特征上都乘以一个回归系数，然后把所有结果值相加，将这个总和代入 Sigmoid 函数中，进而得到一个范围在 0~1 之间的数值。任何大于 0.5 的数据被分入 1 类，小于 0.5 即被归入 0 类。所以， Logistic 回归也可以被看成是一种概率估计。
+因此，为了实现 Logistic 回归分类器，我们可以在每个特征上都乘以一个回归系数（如下公式所示），然后把所有结果值相加，将这个总和代入 Sigmoid 函数中，进而得到一个范围在 0~1 之间的数值。任何大于 0.5 的数据被分入 1 类，小于 0.5 即被归入 0 类。所以， Logistic 回归也可以被看成是一种概率估计。
 
 ### 基于最优化方法的回归系数确定
 
@@ -62,7 +62,7 @@ Sigmoid 函数的输入记为 z ，由下面公式得到:
 
 ![估计函数](../images/5.Logistic/LR_14.png)
 
-θ 在这儿称为参数，在这儿的意思是调整 feature 中每个分量的影响力，就是到底是房屋的面积更重要还是房屋的地段更重要。为了如果我们令 X0 = 1，就可以用向量的方式来表示了：
+θ 在这儿称为参数，在这儿的意思是调整 feature 中每个分量的影响力，就是到底是房屋的面积更重要还是房屋的地段更重要。如果我们令 X0 = 1，就可以用向量的方式来表示了：
 
 ![估计函数的向量形式](../images/5.Logistic/LR_15.png)