Update README.zh-cn.md

1-Introduction/4-techniques-of-ML/translations/README.zh-cn.md

@@ -40,9 +40,13 @@
 
 ✅ 在收集和处理你的数据后，花点时间看看它的形状是否能让你解决你的预期问题。正如我们在[聚类](../../../5-Clustering/1-Visualize/README.md)课程中发现的那样，数据可能在你的给定任务中表现不佳！
 
-### 选择特征变量
+### 功能和目标
+
+功能是数据的可测量属性。在许多数据集中，它表示为标题为"日期""大小"或"颜色"的列。您的功能变量（通常在代码中表示为 `X`）表示用于训练模型的输入变量。
 
-[特征](https://www.datasciencecentral.com/profiles/blogs/an-introduction-to-variable-and-feature-selection)是数据的可衡量属性。在许多数据集中，它表示为列标题，如“日期”、“大小”或“颜色”。你的特征变量（通常在代码中表示为`y`）代表你试图对数据提出的问题的答案：在12月，哪种**颜色**的南瓜最便宜？在旧金山，哪些街区的房地产**价格**最好？
+目标就是你试图预测的事情。目标通常表示为代码中的 `y`，代表您试图询问数据的问题的答案：在 12 月，什么颜色的南瓜最便宜？在旧金山，哪些街区的房地产价格最好？有时目标也称为标签属性。
+
+### 选择特征变量
 
 🎓 **特征选择和特征提取** 构建模型时如何知道选择哪个变量？你可能会经历一个特征选择或特征提取的过程，以便为性能最好的模型选择正确的变量。然而，它们不是一回事：“特征提取是从基于原始特征的函数中创建新特征，而特征选择返回特征的一个子集。”（[来源](https://wikipedia.org/wiki/Feature_selection)）
 ### 可视化数据
@@ -66,7 +70,7 @@
 
 ### 训练模型
 
-有了你的训练数据，你就可以“拟合”它以创建模型。你会注意到，在许多ML库中，你会找到代码'model.fit'——此时你将数据作为值数组（通常为'X'）和特征变量（通常为'y'）发送）。 
+有了您的培训数据，您就可以"适应"它来创建模型。您会注意到，在许多 ML 库中，您会发现代码"model.fit"-此时，您将功能变量作为一系列值（通常是`X`）和目标变量（通常是`y`）发送。 
 
 ### 评估模型