diff --git a/function.py b/function.py
index 750a541..9fdaf87 100644
--- a/function.py
+++ b/function.py
@@ -1,4 +1,3 @@
-# function.py
 import numpy as np
 
 """
@@ -23,23 +22,32 @@ import numpy as np
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423220"
+name = "方子涵"
 
 
 # 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"):
+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
+    weights = np.zeros(n)
+    for _ in range(iterations):
+        linear_model = np.dot(X, weights)
+        y_predicted = 1 / (1 + np.exp(-linear_model))
+        gradient = np.dot(X.T, (y_predicted - y)) / m
+        weights -= learning_rate * gradient
+    return weights
 
 
 def predict_logreg(inX, weights):
@@ -53,6 +61,9 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
+    linear_model = np.dot(inX, weights)
+    y_predicted = 1 / (1 + np.exp(-linear_model))
+    return 1 if y_predicted > 0.5 else 0
 
 
 # 这里也写自己的代码实现
@@ -61,18 +72,34 @@ 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:
-    - 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。
     """
+    with open(filepath, 'r') as file:
+        lines = file.readlines()
+    features = []
+    labels = []
+    for line in lines:
+        parts = line.strip().split(',')
+        label = int(parts[-1])
+        features.append([float(x) for x in parts[:-1]])
+        labels.append(label)
+    return np.array(features), np.array(labels)
 
 
 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")
+    # 训练模型
+    weights = train_logreg(X_train, y_train)
+    # 预测
+    predictions = [predict_logreg(X_train[i], weights) for i in range(X_train.shape[0])]
+    # 打印预测结果
+    print(predictions)
 
     # 加载测试集
     X_test, y_test = load_data("./data/horse-colic.test")