diff --git a/Machine Learning/Liner Regression/1.Liner Regression.md b/Machine Learning/Liner Regression/1.Liner Regression.md
index 90ab3a7..6ef8cfb 100644
--- a/Machine Learning/Liner Regression/1.Liner Regression.md	
+++ b/Machine Learning/Liner Regression/1.Liner Regression.md	
@@ -67,7 +67,7 @@ L表示为图中的黑色圆形，随着梯度下降法的不断逼近，与圆
 
 ### 5.2 什么场景下用L2正则化
 
-只要数据线性相关，用LinearRegression拟合的不是很好，**需要正则化**，可以考虑使用岭回归(L2), 如何输入特征的维度很高,而且是稀疏线性关系的话， 岭回归就不太合适,考虑使用Lasso回归。
+只要数据线性相关，用LinearRegression拟合的不是很好，**需要正则化**，可以考虑使用岭回归(L2), 如果输入特征的维度很高,而且是稀疏线性关系的话， 岭回归就不太合适,考虑使用Lasso回归。
 
 ### 5.3 什么是L1正则化(Lasso回归)