diff --git a/4-Classification/2-Classifiers-1/translations/README.zh-cn.md b/4-Classification/2-Classifiers-1/translations/README.zh-cn.md
index 3386412b5..2174423a2 100644
--- a/4-Classification/2-Classifiers-1/translations/README.zh-cn.md
+++ b/4-Classification/2-Classifiers-1/translations/README.zh-cn.md
@@ -1,17 +1,17 @@
 # 菜品分类器1
 
-在本节中，将使用你在上一个课程中所保存的全部经过均衡和清洗的菜品数据。
+本节课程将使用你在上一个课程中所保存的全部经过均衡和清洗的菜品数据。
 
-你将使用这份数据集，并通过多种分类器 _在给出了各种配料后预测这是那一个国家的菜品_。在此过程中，你将学到更多能够用来调节分类任务算法的方法。   
+你将使用这份数据集，并通过多种分类器 _在给出了各种配料后预测这是那一个国家的菜品_。在此过程中，你将学到更多能够用来调试分类任务算法的方法。   
 
 ## [课前测试](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/21/)
 # 准备工作
 
-假设你已经完成了[课程1](../1-Introduction/README.md), 确保在根目录的`/data`文件夹中有 _cleaned_cuisines.csv_ 文件来进行接下来的四节课程。
+假设你已经完成了[课程1](../1-Introduction/README.md), 确保在根目录的`/data`文件夹中有 _cleaned_cuisines.csv_ 这份文件来进行接下来的四节课程。
 
 ## 练习 - 预测某国的菜品
 
-1. 在本节课的 _notebook.ipynb_ 文件中，导入Pandas的同时载入相应的数据文件：
+1. 在本节课的 _notebook.ipynb_ 文件中，导入Pandas，并读取相应的数据文件：
 
     ```python
     import pandas as pd
@@ -41,14 +41,14 @@
     import numpy as np
     ```
 
-1. 接下来需要将数据分训练模型所需的X和y两个dataframe。首先可将`cuisine`列的数据单独保存为标签（label）的dataframe。
+1. 接下来需要将数据分为训练模型所需的X（译者注：代表特征数据）和y（译者注：代表标签数据）两个dataframe。首先可将`cuisine`列的数据单独保存为的一个dataframe作为标签（label）。
 
     ```python
     cuisines_label_df = cuisines_df['cuisine']
     cuisines_label_df.head()
     ```
 
-    输出看上去会是这样:
+    输出如下:
 
     ```output
     0    indian
@@ -59,7 +59,7 @@
     Name: cuisine, dtype: object
     ```
 
-1. 调用`drop()`函数将 `Unnamed: 0`和 `cuisine`列删除，并将余下的数据作为可以用于训练的特证（feature）:
+1. 调用`drop()`函数将 `Unnamed: 0`和 `cuisine`列删除，并将余下的数据作为可以用于训练的特证（feature）数据:
 
     ```python
     cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)
@@ -80,9 +80,9 @@
 
 ## 选则你的分类器
 
-你的数据已经清洗干净并已经准备好可以进行训练了，现在需要决定你想使用的算法来完成这项任务。
+你的数据已经清洗干净并已经准备好可以进行训练了，现在需要决定你想要使用的算法来完成这项任务。
 
-Scikit_learn将分类任务归在了监督学习目录中，在这个目录中你将会找到很多方法来进行分类。乍一看上去，有点[琳琅满目](https://scikit-learn.org/stable/supervised_learning.html)。下面这些方法都包含了分类技术：
+Scikit_learn将分类任务归在了监督学习类别中，在这个类别中你将可以找到很多可以用来分类的方法。乍一看上去，有点[琳琅满目](https://scikit-learn.org/stable/supervised_learning.html)。以下这些方法都包含了分类技术：
 
 - 线性模型（Linear Models）
 - 支持向量机（Support Vector Machines）
@@ -97,45 +97,43 @@ Scikit_learn将分类任务归在了监督学习目录中，在这个目录中
 
 ### 如何选择分类器?
 
-那么，你应该选择哪一个分类器呢？一般来说，可以选择多个方法并对比他们运行后的结果。Scikit-learn提供了各种算法（包括KNeighbors、 SVC two ways、 GaussianProcessClassifier、 DecisionTreeClassifier、 RandomForestClassifier、 MLPClassifier、 AdaBoostClassifier、 GaussianNB以及QuadraticDiscrinationAnalysis）的[比较](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html)，并且对比较的结果进行了可视化的展示：
+那么，你应该选择哪一个分类器呢？一般来说，可以多选择几个并对比他们运行后的结果。Scikit-learn提供了各种算法（包括KNeighbors、 SVC two ways、 GaussianProcessClassifier、 DecisionTreeClassifier、 RandomForestClassifier、 MLPClassifier、 AdaBoostClassifier、 GaussianNB以及QuadraticDiscrinationAnalysis）的效果[对比](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html)，并且将比较的结果进行了可视化的展示：
 
 ![各分类器比较](../images/comparison.png)
 > 图表来源于Scikit-learn的官方文档
 
-> AutoML通过在云端运行这些比较非常完美地解决的这个问题，使得你能够根据你的数据选择最佳的算法。试试[这里](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-15963-cxa)。
+> AutoML通过在云端运行这些对比非常完美地解决的选择算法的这个问题，使得你能够根据你的数据特性选择最佳的算法。试试点击[这里](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-15963-cxa)了解更多。
 
-### 一种更好的方法
+### 一种更好的方法来选择分类器
 
-不过，比起无脑地猜测，根据这份可以下载的[机器学习作弊表]中的方法是一个更好的选择。在表中我们可以发现对于这个多类型的分类任务，可以有一些选择：
-
-A better way than wildly guessing, however, is to follow the ideas on this downloadable [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-15963-cxa). Here, we discover that, for our multiclass problem, we have some choices:
+不过，比起无脑地猜测，你可以下载这份[机器学习作弊表（cheatsheet）](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-15963-cxa)，对各算法进行对比，这是一个选择算法更有效的办法。在表中我们可以发现对于本课程中涉及的多类型的分类任务，可以有以下这些选择：
 
 ![多类型问题作弊表](../images/cheatsheet.png)
 > 微软算法作弊表中关于多类型分类任务可选算法的部分
 
 ✅ 下载这份作弊表，打印出来，挂在你的墙上吧！
 
-### 推导过程
+### 选择的过程
 
-Let's see if we can reason our way through different approaches given the constraints we have:让我们看看根据我们所有的限制条件推导下各中方法的可行性：
+让我们看看根据我们所有的限制条件依次判断下各种方法的可行性：
 
 - **神经网络（Neural Network）太过复杂了**。我们的数据很清晰但数据量比较小，此外我们是通过notebook在本地进行训练，神经网络对于这个任务来说过于复杂了。
 - **二分类法(two-class classifier)不可行**。我们不能使用二分类法,所以这就排除了一对多（one-vs-all）算法。 
-- **决策树以及逻辑回归可行**. 决策树也许有用，或者也可以使用逻辑回归来处理多类型数据。
-- **多类型增强决策数可以解决不同的问题**. 多类型增强决策树最适合非参数化的任务，即任务目标是建立一个排序，这对我们的任务并没有作用。
+- **决策树以及逻辑回归可行**。决策树应该是有用的，此外也可以使用逻辑回归来处理多类型数据。
+- **多类型增强决策树是用于解决其他问题的**. 多类型增强决策树最适合非参数化的任务，即任务目标是建立一个排序，这对我们当前的任务并没有作用。
 
 ### 使用Scikit-learn 
 
-我们将使用Scikit-learn来分析我们的数据。然而，在Scikit-learn中有很多种方法来使用逻辑回归。可以看一看逻辑回归算法可以[传递的参数](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression)。
+我们将会使用Scikit-learn来对我们的数据进行分析。然而，在Scikit-learn中使用逻辑回归也有很很多方法。可以看一看逻辑回归算法需要[传递的参数](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression)。
 
-当我们需要Scikit-learn进行逻辑回归运算时，`multi_class` 以及 `solver`是最重要的两个参数，我们需要特别说明一下哎。 `multi_class` 的值决定了特定的行为。`solver`的值是我们需要使用的算法。并不是所有的solvers都可以匹配`multi_class`的值的。
+当我们需要Scikit-learn进行逻辑回归运算时，`multi_class` 以及 `solver`是最重要的两个参数，因此我们需要特别说明一下。 `multi_class` 的值是分类任务要求的某一种特定的行为。`solver`的值是我们需要使用的算法。并不是所有的solvers都可以匹配`multi_class`的值的。
 
-According to the docs, in the multiclass case, the training algorithm根据文档，在多类型问题种，训练的算法:
+根据文档，在多类型问题中，训练的算法应:
 
-- **使用“一对其余”(OvR)策略（scheme）**, 如果`multi_class`被设置为`ovr`
-- **使用交叉熵损失（cross entropy loss）**, 如果`multi_class`被设置为`multinomial` (目前，`multinomial`只支持‘lbfgs’, ‘sag’, ‘saga’以及‘newton-cg’等 solver)。
+- **使用“一对其余”(OvR)策略（scheme）**, 当`multi_class`被设置为`ovr`时
+- **使用交叉熵损失（cross entropy loss）**, 当`multi_class`被设置为`multinomial` (目前，`multinomial`只支持‘lbfgs’, ‘sag’, ‘saga’以及‘newton-cg’等 solver)时。
 
-> 🎓 其中“scheme”可以是“ovr(one-vs-rest)”也可以是“multinomial”。 因为逻辑回归事实上是设计用于支持二分类任务的，这些scheme将使其可以更好的支持多类型分类任务。[来源](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/)
+> 🎓 其中“scheme”可以是“ovr(one-vs-rest)”也可以是“multinomial”。 因为逻辑回归本来是设计来用于进行二分类任务的，这两个scheme都可以使得逻辑回归能更好的支持多类型分类任务。[来源](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/)
 
 > 🎓 “solver”被定义为是"用于解决优化问题的算法"。[来源](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression).
 
@@ -145,7 +143,7 @@ Scikit-learn提供了以下这个表格来解释solver是如何应对的不同
 
 ## 练习 - 分割数据
 
-因为你刚刚在上一节课中学习了逻辑回归，因此我们可以聚焦于此，来演练一下如何进行第一个模型的训练。通过调用`train_test_split()`可以把你的数据分割成训练集和测试集：
+你刚刚在上一节课中学习了逻辑回归，因此我们可以聚焦于此，来演练一下如何进行第一个模型的训练。首先，需要通过调用`train_test_split()`可以把你的数据分割成训练集和测试集：
 
 
 ```python
@@ -154,7 +152,7 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine
 
 ## 练习 - 应用逻辑回归
 
-因为我们正在进行多类型分类的案例，你需要决定选用什么  _scheme_ 以及使用什么 _solver_ 。使用带有multiclass设置的LogisticRegression，并将solver设置为**liblinear**来进行模型训练。
+接着，你需要决定选用什么  _scheme_ 以及 _solver_ 来进行我们这个多类型分类的案例。这里我们使用LogisticRegression方法，并设置相应的multi_class参数，同时将solver设置为**liblinear**来进行模型训练。
 
 1. 创建逻辑回归，并将multi_class设置为`ovr`，同时将solver设置为 `liblinear`:
 
@@ -166,13 +164,13 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine
     print ("Accuracy is {}".format(accuracy))
     ```
 
-    ✅ 也可以试试其他solver比如`lbfgs`, 它通常可以作为默认的设置
+    ✅ 也可以试试其他solver比如`lbfgs`, 这通常是默认的设置
 
     > 注意, 使用Pandas的[`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) 函数可以在需要的时候将你的数据进行降维
 
-    准确率高达了**80%**!
+    计算结果准确率高达了**80%**!
 
-1. 你也可以通过查看一行数据（比如第50行）来观察到模型运行的情况:
+1. 你也可以通过查看某一行数据（比如第50行）来观察到模型运行的情况:
 
     ```python
     print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}')
@@ -186,9 +184,9 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine
    cuisine: indian
    ```
 
-   ✅ 试试不同的行号来检查一下结果吧
+   ✅ 试试不同的行索引来检查一下结果吧
 
-1. 让我们再深入研究一下，你可以检查一下这回预测的准确率:
+1. 让我们再深入研究一下，你可以检查一下本次预测的准确率:
 
     ```python
     test= X_test.iloc[50].values.reshape(-1, 1).T
@@ -200,7 +198,7 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine
     topPrediction.head()
     ```
 
-    运行后的输出如下———这是一道印度菜的可能性最大，是最合理的猜测:
+    运行后的输出如下———可以发现这是一道印度菜的可能性最大，是最合理的猜测:
 
     |          |        0 |     |     |     |     |     |     |     |     |     |     |     |     |     |     |     |     |     |     |     |     |
     | -------: | -------: | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |