diff --git a/function.py b/function.py
index e1768e0..cb40fdf 100644
--- a/function.py
+++ b/function.py
@@ -1,12 +1,6 @@
 # function.py
 import numpy as np
 
-"""
-实验说明:
-- 自行编写实现数据加载与预测病马死亡的对率回归算法。
-# function.py
-import numpy as np
-
 """
 实验说明:
 - 自行编写实现数据加载与预测病马死亡的对率回归算法。
@@ -118,111 +112,3 @@ if __name__ == "__main__":
     # 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]}")
-
-注意事项:
-- 在 function.py 中实现对率回归算法。
-- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
-- 自动评测脚本仅会加载 train_logreg、predict_logreg 和 load_data 函数，请勿修改函数名。
-
-测评环境:
-- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
-- OS: Ubuntu 22.04.4 LTS
-- Python: 3.10.12
-- numpy: 2.1.1
-"""
-
-"""
-请在这里填写学号和姓名，不填写即成绩无效。
-"""
-id = "202210423213"
-name = "熊浩燃"
-
-def sigmoid(z):
-    return 1 / (1 + np.exp(-z))
-
-def normalize(X):
-    """ 数据归一化 """
-    return (X - np.mean(X, axis=0)) / np.std(X, axis=0)
-
-def train_logreg(X, y, learning_rate=0.01, iterations=1000, batch_size=32, lambda_=0.01):
-    """
-    对率回归训练函数，包含批量梯度下降和L2正则化。
-
-    Args:
-    - X (numpy array): 特征数据。
-    - y (numpy array): 标签数据。
-    - learning_rate (float): 学习率。
-    - iterations (int): 迭代次数。
-    - batch_size (int): 每次更新的样本数。
-    - lambda_ (float): L2正则化项的系数。
-
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
-    X = normalize(X)  # 归一化数据
-    m, n = X.shape
-    weights = np.zeros(n)
-    
-    for _ in range(iterations):
-        # 确保 batch_size 不超过 m
-        effective_batch_size = min(batch_size, m)
-        
-        # 随机选择一个小批量
-        indices = np.random.choice(m, effective_batch_size, replace=False)
-        X_batch = X[indices]
-        y_batch = y[indices]
-        
-        # 计算预测和梯度
-        z = np.dot(X_batch, weights)
-        h = sigmoid(z)
-        gradient = np.dot(X_batch.T, (h - y_batch)) / effective_batch_size + lambda_ * weights
-        weights -= learning_rate * gradient
-    
-    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。
-    """
-    probability = sigmoid(np.dot(inX, weights))
-    return 1 if probability >= 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 = []
-    labels = []
-    with open(filepath, 'r') as file:
-        for line in file:
-            line_data = line.strip().split()
-            if '?' not in line_data:  # 忽略缺失值的行
-                data.append([float(x) for x in line_data[:-1]])
-                labels.append(int(float(line_data[-1])))
-    return np.array(data), np.array(labels)
-
-if __name__ == "__main__":
-    # 测试数据加载和模型训练预测
-    X_train, y_train = load_data("./data/horse-colic.data")
-    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, batch_size=32, lambda_=0.01)
-
-    # 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]}")