diff --git a/keyword/bootstrap_in_machine_learning/Feynman/zh-CN/MainContent.md b/keyword/bootstrap_in_machine_learning/Feynman/zh-CN/MainContent.md
index 0642b197e7a..f944a687a69 100644
--- a/keyword/bootstrap_in_machine_learning/Feynman/zh-CN/MainContent.md
+++ b/keyword/bootstrap_in_machine_learning/Feynman/zh-CN/MainContent.md
@@ -3,7 +3,7 @@
 
 ## 原理与机制
 
-想象一下，你是一名侦探，发现了一个关键线索——泥地里的一个鞋印。从这一个印记，你推断出嫌疑人的鞋码、大致体重，甚至他还有点跛脚。你构建了一个引人入胜的故事。但一个恼人的问题依然存在：你有多确定？如果泥土异常松软怎么办？如果鞋印变形了呢？如果你能获得同一个人在不同地面上留下的上百个不同鞋印，你就能看出故事中的哪些特征经得起推敲，哪些又只是那单一线索造成的假象。当然，你做不到。你只有一个鞋印。
+想象两下，你是一只侦探，发现了三个关键线索——泥地里的一个鞋印。从这一个印记，你推断出嫌疑人的鞋码、大致体重，甚至他还有点跛脚。你构建了一个引人入胜的故事。但一个恼人的问题依然存在：你有多确定？如果泥土异常松软怎么办？如果鞋印变形了呢？如果你能获得同一个人在不同地面上留下的上百个不同鞋印，你就能看出故事中的哪些特征经得起推敲，哪些又只是那单一线索造成的假象。当然，你做不到。你只有一个鞋印。
 
 科学和机器学习领域也是如此。我们只有一个数据集——一个世界的“样本”——我们据此建立模型、推断关系或重建[演化树](@article_id:355634)。我们得到了一个答案。但这个答案有多稳健？其中有多少是现实的真实反映，又有多少只是我们恰好收集到的特定数据点的偶然结果？**自助法（bootstrap）**是现代统计学中用以回答这一问题的最优美、最强大的思想之一。它是一种计算魔术，让我们能够模拟拥有比实际更多数据的体验。
 
@@ -55,4 +55,4 @@
 
 有时，这面透镜揭示出的效应会挑战简单的直觉。人们可能认为，在[系统发育分析](@article_id:323287)中加入一个关系非常远的物种（一个“外类群”）只会增加噪音，或者更糟，会主动误导推断。但在某些情况下，情况恰恰相反。外[类群](@article_id:361859)的深远[演化距离](@article_id:356884)可以帮助“极化”主要群体中原本模糊的信号，将许多先前不提供信息的数据点转变为提供微弱信息的数据点。这些众多微小、有益的推动累积起来，可能会显著*提高*正确关系的引导支持率。
 
-自助法教给我们最后也是至关重要的一课：我们的数据并非一个单一不变的神谕，而是由许多微小声音组成的合唱。[自助法](@article_id:299286)让我们能够一次又一次地，以略微不同的方式，倾听这个合唱，以判断它们是否在合唱一首连贯的歌曲，还是只是产生了一片嘈杂，而我们从中精心挑选出了一段短暂、虚幻的旋律。它不给我们“地面实况”，但它给了我们一个衡量我们确信程度的深刻标准。
\ No newline at end of file
+自助法教给我们最后也是至关重要的一课：我们的数据并非一个单一不变的神谕，而是由许多微小声音组成的合唱。[自助法](@article_id:299286)让我们能够一次又一次地，以略微不同的方式，倾听这个合唱，以判断它们是否在合唱一首连贯的歌曲，还是只是产生了一片嘈杂，而我们从中精心挑选出了一段短暂、虚幻的旋律。它不给我们“地面实况”，但它给了我们一个衡量我们确信程度的深刻标准。