diff --git a/function.py b/function.py
index 3ea581e..289d16f 100644
--- a/function.py
+++ b/function.py
@@ -28,8 +28,6 @@ name = "Tanjunfeng"
 
 # 这里写自己的代码实现
 
-import numpy as np
-
 def sigmoid(z):
     return 1 / (1 + np.exp(-z))
 
@@ -115,7 +113,88 @@ if __name__ == "__main__":
     weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=5000)
 
     # 测试单个数据
-    correct_count = 0
+    correct_count = 0import numpy as np
+
+
+def sigmoid(z):
+    return 1 / (1 + np.exp(-z))
+
+
+def train_logreg(X, y, other_params="你自己设置一些其它参数", 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。
+    - iterations (int): 迭代次数。
+
+    Returns:
+    - numpy array: 训练得到的权重。
+    """
+    m, n = X.shape
+    weights = np.zeros((n, 1))
+
+    for i in range(iterations):
+        z = np.dot(X, weights)
+        h = sigmoid(z)
+        loss = (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()
+
+        dw = np.dot(X.T, (h - y)) / m
+        weights -= learning_rate * dw
+
+    return weights
+
+
+def predict_logreg(inX, weights):
+    """
+    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。
+
+    Returns:
+    - int: 预测的分类标签。
+    """
+    z = np.dot(inX, weights)
+    h = sigmoid(z)
+    return 1 if h >= 0.5 else 0
+
+
+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。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+    data = np.genfromtxt(filepath, delimiter=' ', dtype=np.float64)
+    X = data[:, :-1]
+    y = data[:, -1].reshape(-1, 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
+    X_train, y_train = load_data("./data/horse-colic.data")
+
+    # 加载测试集
+    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)
+
+    # 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: {y_test[11]}")
     total_count = len(y_test)
     for i in range(total_count):
         y_pred = predict_logreg(X_test[i], weights)