diff --git a/README.md b/README.md
index a7526ba204b25dbab03927d4408a4620ea42e0df..5c0f7c407d5463342dced3bc9d235dc05028a573 100644
--- a/README.md
+++ b/README.md
@@ -1,8 +1,9 @@
 Artificial Neural Network 
+
 Règles de la chaine pour le calcul du gradient :
 
 
-2. ∂C/∂A(2) = 2/Nout * (A(2) - Y)
+2. ∂C/∂A(2) = 2 * (A(2) - Y) / Nout
 
 3. ∂C/∂Z(2) = ∂C/∂A(2) * ∂A(2)/∂Z(2)  
    ∂C/∂Z(2) = ∂C/∂A(2) * σ'(Z(2))
@@ -25,8 +26,7 @@ Règles de la chaine pour le calcul du gradient :
 
 9. ∂C/∂B(1) = sum(∂C/∂Z(1), axis=0)
 
-En analysant le graphique knn, on peut voir que le maximum de précision est obtenu pour k = 1, ce qui parait logique puisque chaque point 
-prendra alors son propre label. 
+En analysant le graphique knn, on peut voir que le maximum de précision est obtenu pour k = 1, ce qui parait logique puisque chaque point prendra alors son propre label. 
 L'autre pic de précision se situe aux alentours de k=7. On privilégiera donc ces valeurs afin d'obtenir la meilleure précision possible.
 On voit que le temps d'éxécution pour les différentes valeurs de k reste stable autour de 28s.