diff --git a/README.md b/README.md
index 59d297b..dcba12a 100644
--- a/README.md
+++ b/README.md
@@ -28,10 +28,10 @@ AI Plot data: https://machinelearningmastery.com/visualize-machine-learning-data
 - [X] Compare prediction with y_test that were false
 
 ## Dataset
-Nous avons décidé de prendre un dataset sur le site Kaggle, il contient 100 000 lignes qui réprésentent
-chacune un objet stellaire observé en lui attribuant plusieurs caractéristiques comme sa declinaison,
-les couleurs observées et autres valeurs scientifiques.
-Chaque ligne est donc associée à une classe qui peut-être "QSO" un quasar, "Galaxy" ou "Star".
+Nous avons décidés de prendre un dataset sur le site Kaggle, il contient 100 000 lignes qui réprésentent
+chacune un objet stellaire observé en lui attribuant plusieurs caractéristiques comme son inclinaison,
+les longueurs d'ondes observées et autres valeurs scientifiques.
+Chaque ligne est donc associée à une classe qui peut-être "QSO" un quasar, "Galaxy" ou "Star" une étoile.
 
 Notre première étape à été de regarder le dataset pour savoir si certaines données sont manquantes.
 En utilisant `df.info()` nous pouvons avoir certaines informations sur les données, il ne manque aucune valeur.
@@ -40,16 +40,14 @@ Nous pouvons maintenant regarder la répartition des classes, celle-ci est assez
 ~21.000 étoiles et ~19000 quasar. Nous pouvons en déduire que les galaxies sont plus communes mais cela
 pourrait-il avoir une incidence sur la précision de notre modèle ?
 
-Après avoir tester avec un nombre égal de Galaxie, Etoiles et Quasar les résultats sont moins bon qu'en utilisant
-le dataset de base. La précision n'est donc pas impacté par le grand nombre de Galaxie.
+Après avoir testé avec un nombre égal de Galaxies, Etoiles et Quasars, les résultats sont moins bon qu'en utilisant 
+le dataset de base. La précision n'est donc pas impactée par le grand nombre de galaxies.
 
-## Plot
-J'ai la flemme d'analyser les plots que j'ai fait.
 
 ## Choix des données d'entrainement
-Pour entrainer des modèles nous devons d'abord diviser notre dataset en deux parties, les caractéristique
+Pour entrainer des modèles nous devons d'abord diviser notre dataset en deux parties, les caractéristiques
 de chaque objet (x) ainsi que la classe à laquelle il est associé (y). La valeur (x) ne représente pas
-forcément toutes des caractéristiques, nous avons d'abord du effectuer un tri.
+forcément toutes des caractéristiques pertinantes, nous avons d'abord du effectuer un tri.
 
 Voici la liste des colonnes avec leurs descriptions:
 
@@ -72,15 +70,15 @@ Voici la liste des colonnes avec leurs descriptions:
 17) **MJD** = Modified Julian Date, used to indicate when a given piece of SDSS data was taken
 18) **fiber_ID** = fiber ID that identifies the fiber that pointed the light at the focal plane in each observation
 
-Plusieurs colonnes n'ont enfait aucun rapport avec l'astre en lui-meme mais plutot sont plutot des informations sur
-l'équipement utilsé pendant les observations. Nous les avons donc enlevé de (x) car leurs présence ne fait que
-baisser la précision des modèles entrainé.
+Plusieurs colonnes n'ont enfait aucun rapport avec l'astre en lui-meme, mais sont plutôt des informations sur
+l'équipement utilisé pendant les observations. Nous les avons donc enlevées de (x) car leurs présence ne fait que
+baisser la précision des modèles entrainés.
 
 ## Entrainement
-Nous avons testé plusieurs modèle au cours de ce projet dans le but de trouver celui qui est le plus précis
-pour prédire la catégorie d'un astre grace à ses caractéristique. Au début de manière aléatoire en jouant
-avec les hyper-paramètres puis nous avons utilisé [l'arbre de choix de sklearn](https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html).
-Nous voulons prédire une catgorie il faut donc utiliser un *Classifier* et nous avons 100.000 lignes, vu que la conditions est "<100K" nous avons utilisé
+Nous avons testés plusieurs modèles au cours de ce projet dans le but de trouver celui qui est le plus précis
+pour prédire la catégorie d'un astre grace à ses caractéristiques. Au début de manière aléatoire en jouant
+avec les hyper-paramètres, puis nous avons utilisés [l'arbre de choix de sklearn](https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html).
+Nous voulons prédire une catégorie, il faut donc utiliser un *Classifier* et nous avons 100.000 lignes, vu que la conditions est "<100K" nous avons utilisés
 les modèles pour < et > à 100.000 lignes:
 
 - KNN
@@ -88,25 +86,25 @@ les modèles pour < et > à 100.000 lignes:
 - Linear SVC
 - Random Forest
 
-Mais aussi d'autre modèle pour tester leurs efficacité:
+Mais aussi d'autre modèles pour tester leurs efficacité:
 
 - Multi-Layer Perceptron
 - Nearest Centroid
 - SGD
 
-Pour entrainer est tester nos modèles il nous faut faire plusieurs groupe de donnée, celles d'entrainement
-**Xtrain** et **Xtest**, pour les test **Ytrain** et **Ytest**. C'est groupe ont été généré en utilisant
+Pour entrainer et tester nos modèles, il nous faut faire plusieurs groupes de données, celles d'entrainement
+**Xtrain** et **Xtest**, pour les test **Ytrain** et **Ytest**. Ces groupes ont été générés en utilisant
 `train_test_split(x, y,test_size=0.25, random_state=0)`, *test_size* défini le % du dataset à utiliser pour les tests.
 L'ajout du paramètre `stratified=y` qui doit garder une répartition égale dans les groupes de test et train n'a pas
 augmenté la précision de nos modèles pour autant.
 
-Maintenant il ne reste plus qu'a utiliser la méthode `fit(Xtrain, Ytrain)` des modèles en utilisant **Xtrain** et **Ytrain**.
+Maintenant il ne reste plus qu'à utiliser la méthode `fit(Xtrain, Ytrain)` des modèles en utilisant **Xtrain** et **Ytrain**.
 Ensuite il nous faut tester le modèle en lui faisant prédire les classes des données **Ytrain** en utilisant
 `predictions = model.predict(Xtest)` et enfin récupérer la précision du modèle en comparant nos prédictions
 avec **Ytest**: `accuracy_score(Ytest, predictions).`
 
 ## Résultat
-Le meilleur modèle pour notre dataset est d'après nos expérimentation le **RandomForestClassifier** avec une précision
+Le meilleur modèle pour notre dataset est d'après nos expérimentations le **RandomForestClassifier** avec une précision
 de 98%.
 
 Voici les résultats obtenu sur l'ensemble des modèles: