diff --git a/function.py b/function.py
index 4e1bffb..dda404b 100644
--- a/function.py
+++ b/function.py
@@ -1,27 +1,50 @@
-# 学号和姓名
-id = "202210423230"
-name = "尹家立"
-
 # function.py
 import numpy as np
 from sklearn.linear_model import LogisticRegression
-from sklearn.impute import KNNImputer
 
+"""
+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。
 
-def train_logreg(X, y, max_iter=1000):
+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 = "202210423230"
+name = "尹家立"
+
+# Sigmoid function
+def sigmoid(inX):
+    """Sigmoid激活函数"""
+    return 1.0 / (1 + np.exp(-inX))
+
+def train_logreg(X, y, learning_rate=0.01, iterations=5000, solver='liblinear'):
     """
-    使用liblinear求解器实现逻辑回归训练函数。
-    
+    对率回归训练函数。
+
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - max_iter (int): 最大迭代次数。
-    
+    - learning_rate (float): 学习速率。
+    - iterations (int): 最大迭代次数。
+    - solver (str): 使用的求解器。默认值为'liblinear'。
+
     Returns:
     - numpy array: 训练得到的权重。
     """
     # 使用liblinear作为求解器进行对率回归训练
-    model = LogisticRegression(solver='liblinear', max_iter=max_iter)
+    model = LogisticRegression(solver=solver, max_iter=iterations)
     model.fit(X, y)
     
     # 返回模型的系数作为权重
@@ -30,65 +53,57 @@ def train_logreg(X, y, max_iter=1000):
 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。
     """
-    # 计算预测概率
-    prob = sigmoid(np.dot(inX, weights))
-    
-    # 将概率转为二进制分类
-    return 1 if prob >= 0.5 else 0
-
-def sigmoid(z):
-    """Sigmoid activation function"""
-    return 1 / (1 + np.exp(-z))
+    prob = sigmoid(np.dot(inX, weights))  # 计算预测概率
+    return 1 if prob > 0.5 else 0  # 返回二分类标签
 
 def load_data(filepath):
     """
-    从文件中加载数据并使用KNNImputer对缺失数据进行预测填充。
-    
+    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 = []
-    
-    # 读取并解析数据
     with open(filepath, 'r') as file:
         for line in file:
-            line_data = line.strip().split()
-            line_data = [float(val) if val != '?' else np.nan for val in line_data]
-            data.append(line_data)
+            currLine = line.strip().split('\t')
+            lineData = [float(x) if x != '?' else np.nan for x in currLine]
+            data.append(lineData)
     
-    # 转换为 numpy 数组
     data = np.array(data)
-    
-    # 分离特征和标签 (假设最后一列是标签)
     X = data[:, :-1]
     y = data[:, -1]
     
-    # 使用 KNNImputer 对缺失值进行预测填充
-    imputer = KNNImputer(n_neighbors=5)
-    X = imputer.fit_transform(X)
+    # 使用简单的列均值填补缺失值
+    col_mean = np.nanmean(X, axis=0)
+    inds = np.where(np.isnan(X))
+    X[inds] = np.take(col_mean, inds[1])
     
     return X, y.astype(int)
 
 if __name__ == "__main__":
-    # 加载训练和测试数据
+    # 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")
-    
-    # 使用liblinear训练对率回归模型
-    weights = train_logreg(X_train, y_train, max_iter=1000)
-    
-    # 测试单个样本的预测
+
+    # 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]}")