diff --git a/机器学习.md b/机器学习.md
index 68bc358..e68def4 100644
--- a/机器学习.md
+++ b/机器学习.md
@@ -105,7 +105,7 @@
 - PCA异常值检验：
   - 方差得分：考察某异常点往各个主成分上投影的（加权除以$\lambda_i$）平方和。这里$\lambda_i$使得各个特征向量之间有可比性。也可以选择前r个或者在后r个特征上的得分。
   - 重构误差:=前k个特征向量的重构误差的加权平均
-- 奇异值分解 (SVD)：$A_{m\times n}=U_{m\times m}\Sigma_{m\times n} V_{n\times n}^T$，这里U和V正交矩阵，$\Sigma=diag(1,...,1,0,...)$
+- 奇异值分解 (SVD)： $A_{m\times n}=U_{m\times m}\Sigma_{m\times n} V_{n\times n}^T$ ，这里U和V正交矩阵，$\Sigma=diag(1,...,1,0,...)$
 - 紧奇异值分解 (compact singular value decomposition)等号；截断奇异值分解 (truncated singular value decomposition)约等于
 - 线性判别分析(Linear Discriminant Analysis, LDA)是有监督的降维方法。思想是将每个类的样本点投影到低维超平面上使得类内方差最小，类外方差最大即使得降维后类间的分隔尽可能的大
 - $S_w$类内散度矩阵 (within-class scatter matrix)(也就是样本协方差矩阵m × m):类内样本协方差矩阵，再对类求和