diff --git a/function.py b/function.py
index 74a257d..eb58a61 100644
--- a/function.py
+++ b/function.py
@@ -26,13 +26,10 @@ import numpy as np
 id = "202210423629"
 name = "Tanjunfeng"
 
-
 # 这里写自己的代码实现
+def sigmoid(z):
+    return 1 / (1 + np.exp(-z))
 
-# 这里写自己的代码实现
-import numpy as np
-
-# 这里写自己的代码实现
 def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     """
     对率回归训练函数。
@@ -40,25 +37,26 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - learning_rate (float): 学习率，默认0.01。
-    - iterations (int): 迭代次数，默认1000。
+    - learning_rate (float): 学习率，默认为 0.01。
+    - iterations (int): 迭代次数，默认为 1000。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
     m, n = X.shape
-    X = np.hstack((np.ones((m, 1)), X))  # 添加偏置项
-    weights = np.zeros(n + 1)
+    weights = np.zeros(n)
+    bias = 0
 
     for _ in range(iterations):
-        z = np.dot(X, weights)
-        h = 1 / (1 + np.exp(-z))
-        gradient = np.dot(X.T, (h - y)) / m  # 计算梯度
-        weights -= learning_rate * gradient  # 更新权重
+        z = np.dot(X, weights) + bias
+        h = sigmoid(z)
+        dw = (1 / m) * np.dot(X.T, (h - y))
+        db = (1 / m) * np.sum(h - y)
+        weights -= learning_rate * dw
+        bias -= learning_rate * db
 
     return weights
 
-
 def predict_logreg(inX, weights):
     """
     对率回归预测函数。
@@ -70,45 +68,26 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
-    inX = np.insert(inX, 0, 1)  # 添加偏置项
     z = np.dot(inX, weights)
-    h = 1 / (1 + np.exp(-z))
-    return int(h >= 0.5)
+    h = sigmoid(z)
+    return 1 if h > 0.5 else 0
 
-
-# 这里也写自己的代码实现
 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**。
 
     Args:
-    - filepath (str): 数据文件路径。
+    - directory (str): 数据文件路径。
 
     Returns:
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
-    # 使用 numpy.genfromtxt 读取数据
-    data = np.genfromtxt(
-        filepath,
-        delimiter=None,  # 自动检测分隔符（包括空白符、制表符等）
-        dtype=float,
-        missing_values='?',
-        filling_values=np.nan,
-        autostrip=True
-    )
-
-    # 删除包含缺失值的行
-    data = data[~np.isnan(data).any(axis=1)]
-
-    # 将数据分为特征和标签
+    data = np.loadtxt(filepath, delimiter=',')
     X = data[:, :-1]
     y = data[:, -1]
-    # 将标签转换为二分1: 存活，0: 死亡或安乐死
-    y = np.where(y == 1, 0, 1)
     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
@@ -118,14 +97,9 @@ 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=0.001, iterations=5000)
+    weights = 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)
-    print(f"预测结果: {y_pred}, 实际结果: {int(y_test[11])}")
-
-    # 可选：计算测试集上的准确率
-    correct = sum(predict_logreg(X_test[i], weights) == y_test[i] for i in range(len(X_test)))
-    accuracy = correct / len(X_test)
-    print(f"模型在测试集上的准确率: {accuracy * 100:.2f}%")
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")