diff --git a/function.py b/function.py
index f1b5e1e..9cb58b9 100644
--- a/function.py
+++ b/function.py
@@ -8,27 +8,6 @@ import os
 - 函数输入: 待分类的样本 input_vector, 训练数据集 dataSet, 训练集对应的标签 labels。
 - 函数返回: 预测的分类标签。
 
-注意事项:
-- 在 function.py 中实现 kNN 分类算法。
-- 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 classify 和 load_data 函数，请勿修改函数名。
-- 训练集和测试集需手动下载解压，并放入当前目录下。
-
-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"
-
-
 """
 参数说明:
 - input_vector (numpy array): 输入待分类的样本。
@@ -43,44 +22,25 @@ name = "熊浩燃"
 # 这里写自己的代码实现
 def classify(input_vector, dataSet, labels, k=1):
     """
-    KNN 分类算法，使用加权多数表决法。
+    KNN 分类算法。
 
     Args:
     - input_vector (numpy array): 输入待分类的样本。
     - dataSet (numpy array): 训练数据集。
     - labels (list or numpy array): 训练集对应的标签。
-    - k (int): kNN 算法参数。
+    - k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
 
     Returns:
     - int: 预测的分类标签。
     """
     # 计算欧氏距离
     distances = np.linalg.norm(dataSet - input_vector, axis=1)
-
     # 获取距离最近的 k 个样本的索引
     nearest_neighbors_indices = distances.argsort()[:k]
-
     # 获取这些样本的标签
     nearest_labels = np.array(labels)[nearest_neighbors_indices]
-    
-    # 获取这些样本的距离
-    nearest_distances = distances[nearest_neighbors_indices]
-    
-    # 防止除以零的情况，添加一个小常数epsilon
-    epsilon = 1e-5
-    weights = 1 / (nearest_distances + epsilon)  # 距离越小，权重越大
-    
-    # 对每个标签进行加权投票
-    label_weights = {}
-    for i in range(k):
-        label = nearest_labels[i]
-        if label not in label_weights:
-            label_weights[label] = 0
-        label_weights[label] += weights[i]
-    
-    # 返回加权得分最高的标签
-    predicted_label = max(label_weights, key=label_weights.get)
-
+    # 统计出现次数最多的标签并返回
+    predicted_label = np.bincount(nearest_labels).argmax()
     return predicted_label
 
 # 这里也写自己的代码实现