diff --git "a/docs/7.\351\233\206\346\210\220\345\255\246\344\271\240\345\222\214\351\232\217\346\234\272\346\243\256\346\236\227.md" "b/docs/7.\351\233\206\346\210\220\345\255\246\344\271\240\345\222\214\351\232\217\346\234\272\346\243\256\346\236\227.md"
index 2bfe0ab098b433a09fb5bd077c3a8ad4ce0f5e66..22e2ab1b43c1dd30ce077005246171585871ab9e 100644
--- "a/docs/7.\351\233\206\346\210\220\345\255\246\344\271\240\345\222\214\351\232\217\346\234\272\346\243\256\346\236\227.md"
+++ "b/docs/7.\351\233\206\346\210\220\345\255\246\344\271\240\345\222\214\351\232\217\346\234\272\346\243\256\346\236\227.md"
@@ -38,7 +38,8 @@
 >>> log_clf = LogisticRegression() 
 >>> rnd_clf = RandomForestClassifier() 
 >>> svm_clf = SVC()
->>> voting_clf = VotingClassifier(estimators=[('lr', log_clf), ('rf', rnd_clf), >>> ('svc', svm_clf)],voting='hard') 
+>>> voting_clf = VotingClassifier(estimators=[('lr', log_clf), ('rf', rnd_clf), 
+>>>   ('svc', svm_clf)],voting='hard') 
 >>> voting_clf.fit(X_train, y_train)
 ```
 
@@ -61,8 +62,6 @@ VotingClassifier 0.896
 
 ## Bagging 和 Pasting 
 
-换句话说，Bagging 和 Pasting 都允许在多个分类器间对训练集进行多次采样，但只有 Bagging
-
 就像之前讲到的，可以通过使用不同的训练算法去得到一些不同的分类器。另一种方法就是对每一个分类器都使用相同的训练算法，但是在不同的训练集上去训练它们。有放回采样被称为装袋（*Bagging*，是 *bootstrap aggregating* 的缩写）。无放回采样称为粘贴（*pasting*）。
 
 换句话说，Bagging 和 Pasting 都允许在多个分类器上对训练集进行多次采样，但只有 Bagging 允许对同一种分类器上对训练集进行进行多次采样。采样和训练过程如图7-4所示。
@@ -80,7 +79,8 @@ sklearn 为 Bagging 和 Pasting 提供了一个简单的API：`BaggingClassifier
 ```python
 >>>from sklearn.ensemble import BaggingClassifier 
 >>>from sklearn.tree import DecisionTreeClassifier
->>>bag_clf = BaggingClassifier(DecisionTreeClassifier(), n_estimators=500,        >>>max_samples=100, bootstrap=True, n_jobs=-1) 
+>>>bag_clf = BaggingClassifier(DecisionTreeClassifier(), n_estimators=500,        
+>>>  max_samples=100, bootstrap=True, n_jobs=-1) 
 >>>bag_clf.fit(X_train, y_train) 
 >>>y_pred = bag_clf.predict(X_test)
 ```