diff --git a/Machine Learning/3.2 GBDT/README.md b/Machine Learning/3.2 GBDT/README.md
index f903b4d8c2a6b5fbe4d313ae98b7167565959c06..2493910eb447740f56953905b91f95c13c7e7461 100644
--- a/Machine Learning/3.2 GBDT/README.md	
+++ b/Machine Learning/3.2 GBDT/README.md	
@@ -24,11 +24,11 @@ GBDT的原理很简单，就是所有弱分类器的结果相加等于预测值
 
 回归任务下，GBDT 在每一轮的迭代时对每个样本都会有一个预测值，此时的损失函数为均方差损失函数，
 
-$$l(y_i,y^i)=\frac{1}{2}(y_i-y^i)^2$$
+![](https://julyedu-img.oss-cn-beijing.aliyuncs.com/quesbase64155214962034944638.gif)
 
 那此时的负梯度是这样计算的
 
-$$-[\frac{\partial l(y_i,y^i)}{\partial y^i}]=(y_i-y^i)$$
+![](https://julyedu-img.oss-cn-beijing.aliyuncs.com/quesbase64155214962416670973.gif)
 
 所以，当损失函数选用均方损失函数是时，每一次拟合的值就是（真实值 - 当前模型预测的值），即残差。此时的变量是![](https://julyedu-img.oss-cn-beijing.aliyuncs.com/quesbase64155214963633267938.gif)，即“当前预测模型的值”，也就是对它求负梯度。