diff --git a/5-Clustering/1-Visualize/translations/README.zh-cn.md b/5-Clustering/1-Visualize/translations/README.zh-cn.md
index 1697e9c4..ef6c25fe 100644
--- a/5-Clustering/1-Visualize/translations/README.zh-cn.md
+++ b/5-Clustering/1-Visualize/translations/README.zh-cn.md
@@ -9,7 +9,7 @@
 
 [聚类](https://link.springer.com/referenceworkentry/10.1007%2F978-0-387-30164-8_124)对于数据探索非常有用。让我们看看它是否有助于发现尼日利亚观众消费音乐的趋势和模式。
 
-✅花一点时间思考聚类的用途。在现实生活中，每当你有一堆衣服需要整理家人的衣服时，就会发生聚类🧦👕👖🩲. 在数据科学中，聚类用于在尝试分析用户的偏好或确定任何未标记数据集的特征。在某种程度上，聚类有助于理解杂乱的状态，就像一个袜子抽屉。
+✅花一点时间思考聚类的用途。在现实生活中，每当你有一堆衣服需要整理家人的衣服时，就会发生聚类🧦👕👖🩲. 在数据科学中，聚类用于在尝试分析用户的偏好或确定任何未标记数据集的特征。在某种程度上，聚类有助于理解杂乱的状态，就像是一个袜子抽屉。
 
 [![Introduction to ML](https://img.youtube.com/vi/esmzYhuFnds/0.jpg)](https://youtu.be/esmzYhuFnds "Introduction to Clustering")
 
@@ -29,7 +29,7 @@
 
 ## 聚类入门
 
-[Scikit-learn 提供了大量](https://scikit-learn.org/stable/modules/clustering.html)的方法来执行聚类。您选择的类型将取决于您的用例。根据文档，每种方法都有不同的好处。以下是 Scikit-learn 支持的方法及其适当用例的简化表：
+[Scikit-learn ](https://scikit-learn.org/stable/modules/clustering.html)提供了大量的方法来执行聚类。您选择的类型将取决于您的用例。根据文档，每种方法都有不同的好处。以下是 Scikit-learn 支持的方法及其适当用例的简化表：
 
 | 方法名称                     | 用例                                               |
 | ---------------------------- | -------------------------------------------------- |
@@ -41,7 +41,7 @@
 | Agglomerative clustering     | 许多，受约束的，非欧几里得距离，转导的             |
 | DBSCAN                       | 非平面几何，不均匀聚类，转导的                     |
 | OPTICS                       | 不平坦的几何形状，具有可变密度的不均匀聚类，转导的 |
-| Gaussian mixtures            | 平面几何，感应的                                   |
+| Gaussian mixtures            | 平面几何，归纳的                                   |
 | BIRCH                        | 具有异常值的大型数据集，归纳的                     |
 
 > 🎓我们如何创建聚类与我们如何将数据点收集到组中有很大关系。让我们分析一些词汇：
@@ -63,7 +63,7 @@
 >
 > 🎓 ['距离'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf)
 >
-> 聚类由它们的距离矩阵定义，例如点之间的距离。这个距离可以通过几种方式来测量。欧几里得聚类由点值的平均值定义，并包含“质心”或中心点。因此，距离是通过到该质心的距离来测量的。非欧式距离指的是“聚类心”，即离其他点最近的点。聚类心又可以用各种方式定义。
+> 聚类由它们的距离矩阵定义，例如点之间的距离。这个距离可以通过几种方式来测量。欧几里得聚类由点值的平均值定义，并包含“质心”或中心点。因此，距离是通过到该质心的距离来测量的。非欧式距离指的是“聚类中心”，即离其他点最近的点。聚类中心又可以用各种方式定义。
 >
 > 🎓 ['约束'](https://wikipedia.org/wiki/Constrained_clustering)
 >
@@ -232,7 +232,7 @@
 
 请注意，当顶级流派被描述为“缺失”时，这意味着 Spotify 没有对其进行分类，所以让我们避免它。
 
-1. 通过过滤掉丢失的数据避免
+1. 通过过滤掉丢失的数据来避免
 
     ```python
     df = df[df['artist_top_genre'] != 'Missing']
@@ -335,3 +335,4 @@
 
 [研究用于聚类的其他可视化](./assignment.zh-cn.md)
 
+转导
diff --git a/5-Clustering/translations/README.zh-cn.md b/5-Clustering/translations/README.zh-cn.md
index 88d29623..7f05082b 100644
--- a/5-Clustering/translations/README.zh-cn.md
+++ b/5-Clustering/translations/README.zh-cn.md
@@ -2,7 +2,7 @@
 
 聚类（clustering)是一项机器学习任务，用于寻找类似对象并将他们分成不同的组（这些组称做“聚类”(cluster)）。聚类与其它机器学习方法的不同之处在于聚类是自动进行的。事实上，我们可以说它是监督学习的对立面。
 
-## 区域性话题: 尼日利亚观众音乐品味的聚类模型🎧
+## 本节主题: 尼日利亚观众音乐品味的聚类模型🎧
 
 尼日利亚多样化的观众有着多样化的音乐品味。使用从Spotify上抓取的数据（受到[本文](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)的启发），让我们看看尼日利亚流行的一些音乐。这个数据集包括关于各种歌曲的舞蹈性、声学、响度、言语、流行度和活力的分数。从这些数据中发现一些模式（pattern）会是很有趣的事情!