diff --git a/function.py b/function.py
index 409b1ac..8518469 100644
--- a/function.py
+++ b/function.py
@@ -1,4 +1,3 @@
-# function.py
 import numpy as np
 
 """
@@ -17,58 +16,90 @@ import numpy as np
 - numpy: 2.1.1
 """
 
-
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423118"  # 请填写你的学号
+name = "刘国庆"        # 请填写你的姓名
 
 
-# 这里写自己的代码实现
-def train_logreg(X, y, other_params="你自己设置一些其它参数"):
+# Sigmoid函数
+def sigmoid(z):
+    return 1 / (1 + np.exp(-z))
+
+
+# 对率回归训练函数
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     """
     对率回归训练函数。
 
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - other_params (str): 其它参数，可选设置。若需设置其它参数，必须设置其默认值，否则将**无法通过**自动评测，**成绩为零**。
+    - learning_rate (float): 学习率, 默认值为0.01。
+    - iterations (int): 迭代次数, 默认值为1000。
 
     Returns:
     - numpy array: 训练得到的权重。
+    - float: 训练得到的偏置。
     """
+    n_samples, n_features = X.shape
+    weights = np.zeros(n_features)
+    bias = 0
+
+    # 梯度下降法
+    for i in range(iterations):
+        linear_model = np.dot(X, weights) + bias
+        y_pred = sigmoid(linear_model)
+
+        # 计算梯度
+        dw = (1 / n_samples) * np.dot(X.T, (y_pred - y))
+        db = (1 / n_samples) * np.sum(y_pred - y)
+
+        # 更新权重和偏置
+        weights -= learning_rate * dw
+        bias -= learning_rate * db
+
+    return weights, bias
 
 
-def predict_logreg(inX, weights):
+# 对率回归预测函数
+def predict_logreg(inX, weights, bias):
     """
     对率回归预测函数。
 
     Args:
     - inX (numpy array): 输入待分类的样本。
     - weights (numpy array): 训练得到的权重。
+    - bias (float): 训练得到的偏置。
 
     Returns:
-    - int: 预测的分类标签。
+    - int: 预测的分类标签 (0 或 1)。
     """
+    linear_model = np.dot(inX, weights) + bias
+    y_pred = sigmoid(linear_model)
+    return 1 if y_pred >= 0.5 else 0
 
 
-# 这里也写自己的代码实现
+# 数据加载函数
 def load_data(filepath):
     """
-    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
+    从文件中加载数据，若不自行正确实现，则无法通过评测，不记录成绩。
 
     Args:
-    - directory (str): 数据文件路径。
+    - filepath (str): 数据文件路径。
 
     Returns:
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    data = np.loadtxt(filepath, delimiter=' ', dtype=float)
+    X = data[:, :-1]  # 所有列（除了最后一列）是特征
+    y = data[:, -1]   # 最后一列是标签
+    return X, y
 
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
     # 加载训练集
     X_train, y_train = load_data("./data/horse-colic.data")
 
@@ -76,8 +107,9 @@ if __name__ == "__main__":
     X_test, y_test = load_data("./data/horse-colic.test")
 
     # 训练对率回归模型
-    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
+    weights, bias = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
 
     # 测试单个数据
-    y_pred = predict_logreg(X_test[11], weights)
+    y_pred = predict_logreg(X_test[11], weights, bias)
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+