diff --git a/Ensemble_methods/IsolationForest_example.md b/Ensemble_methods/IsolationForest_example.md
index d38e6cf..901d8b7 100644
--- a/Ensemble_methods/IsolationForest_example.md
+++ b/Ensemble_methods/IsolationForest_example.md
@@ -1,4 +1,5 @@
 # **IsolationForest example**
+
 https://scikit-learn.org/stable/auto_examples/ensemble/plot_isolation_forest.html#sphx-glr-auto-examples-ensemble-plot-isolation-forest-py
 
 此範例介紹IsolationForest(隔離森林、孤立森林)的使用方式及其效果，使用IsolationForest會回傳每個樣本的異常分數
@@ -14,16 +15,19 @@ IsolationForest是用於異常檢測的unsupervised learning(無監督學習)算
 * numpy : 產生陣列數值
 * matplotlib.pyplot : 用來繪製影像
 * sklearn.ensemble import IsolationForest : 匯入隔離森林算法
+
 ```python
 import numpy as np
 import matplotlib.pyplot as plt
 from sklearn.ensemble import IsolationForest
 ```
+
 ## (二)產生訓練樣本
 
 * np.random.RandomState(seed) : 產生偽隨機數，當seed值相同時，產生的數值為一樣
 * np.r_[] : 將數據沿第一個軸相連接
 * rng.uniform() : 隨機數產生
+
 ```python
 rng = np.random.RandomState(42)
 
@@ -36,16 +40,20 @@ X_test = np.r_[X + 2, X - 2]  # 將+,-2的資料相連接成為一筆(40,2)
 # Generate some abnormal novel observations
 X_outliers = rng.uniform(low=-4, high=4, size=(20, 2)) # 生成20筆新的異常資料，藉由亂數產生
 ```
+
 ## (三)IsolationForest model
 
 * IsolationForest(n_estimators=100, max_samples='auto', contamination='auto', max_features=1.0, bootstrap=False, n_jobs=None, behaviour='deprecated', random_state=None, verbose=0, warm_start=False)
+
 1. n_estimators : 森林中樹的棵樹
 2. max_samples : 每棵樹中的樣本數量
 3. contamination : 設置樣本中異常
 4. max_features : 每顆樹中特徵個數或比例
 5. random_state : 隨機數與random_seed作用相同
+
 * fit() : 擬合資料
 * predict() : 預測資料
+
 ```python
 # fit the Model
 clf = IsolationForest(max_samples=100, random_state=rng)
@@ -54,6 +62,7 @@ y_pred_train = clf.predict(X_train)
 y_pred_test = clf.predict(X_test)
 y_pred_outliers = clf.predict(X_outliers)
 ```
+
 ## (四)繪製結果
 
 * np.meshgrid() : 從給定的座標向量回傳座標矩陣
@@ -62,6 +71,7 @@ y_pred_outliers = clf.predict(X_outliers)
 * plt.contourf() : 繪製輪廓
 * plt.scatter() : 繪製x與y的散點圖，其中標記大小和顏色不同
 最後用下面的程式將所有點繪製出來
+
 ```python
 xx, yy = np.meshgrid(np.linspace(-5, 5, 50), np.linspace(-5, 5, 50))
 Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
@@ -85,10 +95,13 @@ plt.legend([b1, b2, c],
            loc="upper left")
 plt.show()
 ```
+
 ![](https://github.com/sdgary56249128/machine-learning-python/blob/master/Ensemble_methods/sphx_glr_plot_isolation_forest_001.png)
+
 ## (五)完整程式碼
 
 https://scikit-learn.org/stable/_downloads/a48f0894575e256740089d572cff3acd/plot_isolation_forest.py
+
 ```python
 print(__doc__)