diff --git a/.DS_Store b/.DS_Store
index d2814fc..4d3ff6f 100644
Binary files a/.DS_Store and b/.DS_Store differ
diff --git a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/2_建模_建筑能源利用率预测-checkpoint.ipynb b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/2_建模_建筑能源利用率预测-checkpoint.ipynb
index 22062fc..9d56724 100644
--- a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/2_建模_建筑能源利用率预测-checkpoint.ipynb
+++ b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/2_建模_建筑能源利用率预测-checkpoint.ipynb
@@ -1178,13 +1178,26 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "集成算法GBDT的效果更好，这里由于参数只使用默认的，对SVM等这种参数影响较大的模型不太公平。\n",
+    "随机森林跟集成算法GBDT的效果较好，这里由于参数只使用默认的，对SVM等这种参数影响较大的模型不太公平。\n",
     "\n",
     "当然，从这些结果，我们可以得出结论，机器学习是适用的，因为所有的模型都显著地优于基线！\n",
     "\n",
     "这里我们还没有使用XGBoost/LightGBM，从算法公式层面来讲，XGBoost/LightGBM是优于GBDT，也是GB以及GBDT基础上的优化和改进，下面我们也小试一下XGBoost还有LightGBM。当然，这里是以GBDT作为提升算法的代表。"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "注：为什么随机森林模型没有像GBDT一样不断优化发展出新算法，随机森林有如下局限性\n",
+    "\n",
+    "* 1.构建方式：随机森林使用自助采样（Bootstrap Sampling）和随机特征选择来构建多个决策树，然后进行平均或投票来获得最终的预测。相比之下，GBDT使用迭代的方式，每次迭代都试图纠正前一轮的误差，因此更复杂。\n",
+    "\n",
+    "* 2.算法性质：GBDT是一个梯度提升算法，它在每轮迭代中学习如何修正先前模型的错误。这种性质使得它更容易实现各种优化技巧，如自动特征选择、提前停止等。\n",
+    "\n",
+    "* 3.随机性差异：虽然随机森林在构建树时引入了随机性，但相对于GBDT，其模型的构建过程较为稳定。GBDT的迭代过程更加灵活，但也更容易过拟合，因此需要更多的正则化和优化。"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 21,
@@ -2432,7 +2445,7 @@
  ],
  "metadata": {
   "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 3 (ipykernel)",
    "language": "python",
    "name": "python3"
   },
@@ -2446,7 +2459,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.7.3"
+   "version": "3.10.9"
   }
  },
  "nbformat": 4,
diff --git a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/2_建模_建筑能源利用率预测.ipynb b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/2_建模_建筑能源利用率预测.ipynb
index 22062fc..9d56724 100644
--- a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/2_建模_建筑能源利用率预测.ipynb
+++ b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/2_建模_建筑能源利用率预测.ipynb
@@ -1178,13 +1178,26 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "集成算法GBDT的效果更好，这里由于参数只使用默认的，对SVM等这种参数影响较大的模型不太公平。\n",
+    "随机森林跟集成算法GBDT的效果较好，这里由于参数只使用默认的，对SVM等这种参数影响较大的模型不太公平。\n",
     "\n",
     "当然，从这些结果，我们可以得出结论，机器学习是适用的，因为所有的模型都显著地优于基线！\n",
     "\n",
     "这里我们还没有使用XGBoost/LightGBM，从算法公式层面来讲，XGBoost/LightGBM是优于GBDT，也是GB以及GBDT基础上的优化和改进，下面我们也小试一下XGBoost还有LightGBM。当然，这里是以GBDT作为提升算法的代表。"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "注：为什么随机森林模型没有像GBDT一样不断优化发展出新算法，随机森林有如下局限性\n",
+    "\n",
+    "* 1.构建方式：随机森林使用自助采样（Bootstrap Sampling）和随机特征选择来构建多个决策树，然后进行平均或投票来获得最终的预测。相比之下，GBDT使用迭代的方式，每次迭代都试图纠正前一轮的误差，因此更复杂。\n",
+    "\n",
+    "* 2.算法性质：GBDT是一个梯度提升算法，它在每轮迭代中学习如何修正先前模型的错误。这种性质使得它更容易实现各种优化技巧，如自动特征选择、提前停止等。\n",
+    "\n",
+    "* 3.随机性差异：虽然随机森林在构建树时引入了随机性，但相对于GBDT，其模型的构建过程较为稳定。GBDT的迭代过程更加灵活，但也更容易过拟合，因此需要更多的正则化和优化。"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 21,
@@ -2432,7 +2445,7 @@
  ],
  "metadata": {
   "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 3 (ipykernel)",
    "language": "python",
    "name": "python3"
   },
@@ -2446,7 +2459,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.7.3"
+   "version": "3.10.9"
   }
  },
  "nbformat": 4,