diff --git a/function.py b/function.py
index a6a6085..937e5a5 100644
--- a/function.py
+++ b/function.py
@@ -1,145 +1,51 @@
 import numpy as np
-import os
-
-"""
-实验说明:
-- 自行编写实现数据加载与 kNN 的手写数字分类算法。
-- 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
-"""
+from sklearn.linear_model import LogisticRegression
+from sklearn.preprocessing import StandardScaler
 
 
-"""
-请在这里填写学号和姓名，不填写即成绩无效。
-"""
+# 填写学号和姓名
 id = "202210423206"
 name = "詹宇豪"
 
+def train_logreg(X, y, random_state=42):
+    model = LogisticRegression(solver='liblinear', random_state=random_state)
+    model.fit(X, y)
+    return model
 
-def classify(input_vector, dataSet, labels, k=3):
-    """
-    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，默认 k=3。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
-    # 计算输入样本与训练集中每个样本的欧氏距离
-    distances = np.linalg.norm(dataSet - input_vector, axis=1)
-    # 按距离从小到大排序，选取距离最小的 k 个点
-    nearest_indices = distances.argsort()[:k]
-    # 获取最近邻的 k 个样本对应的标签
-    nearest_labels = np.array(labels)[nearest_indices]
-    # 统计 k 个邻居中出现频率最高的标签
-    unique_labels, counts = np.unique(nearest_labels, return_counts=True)
-    # 返回出现次数最多的标签
-    return unique_labels[np.argmax(counts)]
-
-
-def load_dataset(directory):
-    """
-    从文件夹中加载数据，若不自行正确实现，则无法通过评测，不记录成绩。
-
-    Args:
-    - directory (str): 数据文件夹路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-    labels = []
-    file_list = os.listdir(directory)
-    num_files = len(file_list)
-    data_matrix = np.zeros((num_files, 1024))  # 每个图像是32x32，展开为1024维向量
-
-    for i, file_name in enumerate(file_list):
-        label = int(file_name.split('_')[0])  # 文件名格式：'数字_序号.txt'
-        labels.append(label)
-        data_matrix[i, :] = img_to_vector(os.path.join(directory, file_name))
-
-    return data_matrix, np.array(labels)
-
-
-def img_to_vector(filename):
-    """
-    将二值图像转换为向量。
-    该部分应为 load_dataset 函数的辅助子函数，可单独在这里实现，也可直接集成至 load_dataset 函数中。
-
-    Args:
-    - filename (str): 图像文件路径。
-
-    Returns:
-    - np.array: 二值图像向量。
-    """
-    img_vector = np.zeros((1, 1024))  # 初始化为1024维向量
-    with open(filename, 'r') as file:
-        for i in range(32):  # 每张图片是32x32的二值图像
-            line_str = file.readline().strip()
-            for j in range(32):
-                img_vector[0, 32 * i + j] = int(line_str[j])
-
-    return img_vector
+def predict_logreg(inX, model):
+    return int(model.predict([inX])[0])
 
+def load_data(filepath):
+    data = np.genfromtxt(filepath, delimiter=' ', missing_values='?', filling_values=0)
+    labels = data[:, -1].astype(int)
+    data = data[:, :-1]
+    labels = np.where((labels == 2) | (labels == 3), 0, labels)
+    if data.shape[1] >= 3:
+        data = np.delete(data, 2, axis=1)  
+    scaler = StandardScaler()
+    data = scaler.fit_transform(data)
+    return data, labels
 
+# 测试代码
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-    train_data, train_labels = load_dataset("trainingDigits")
+    # 指定数据文件路径
+    filepath = "./data/horse-colic.data"
+    
+    # 加载数据
+    X, y = load_data(filepath)
+    print("数据加载成功。")
 
-    test_data = (
-        "00000000000000110000000000000000"
-        "00000000000011111000000000000000"
-        "00000000000011111100000000000000"
-        "00000000001111111110000000000000"
-        "00000000001111111110000000000000"
-        "00000000001111111100000000000000"
-        "00000000011111111000000000000000"
-        "00000000111111111000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111110000000000000000"
-        "00000000111111100000000000000000"
-        "00000001111111100000000000000000"
-        "00000001111111100000000000000000"
-        "00000001111111100000000000000000"
-        "00000001111111111111000000000000"
-        "00000001111111111111111000000000"
-        "00000001111111111111111100000000"
-        "00000011111111111111111110000000"
-        "00000011111111111111111110000000"
-        "00000001111111111111111110000000"
-        "00000001111111111111111110000000"
-        "00000000111111111100111111100000"
-        "00000000111111111000111111100000"
-        "00000000011111111001111111100000"
-        "00000000011111111111111111000000"
-        "00000000001111111111111111000000"
-        "00000000000111111111111111000000"
-        "00000000000011111111111100000000"
-        "00000000000001111111110000000000"
-        "00000000000000000111100000000000"
-    )
-    predicted_label = classify(
-        np.array([int(char) for char in test_data]).reshape(1, 1024),
-        train_data,
-        train_labels,
-    )
+    # 训练模型
+    model = train_logreg(X, y)
+    print("模型训练完成。")
 
-    print(f"预测的标签: {predicted_label}")
\ No newline at end of file
+    # 随机一个样本进行预测测试
+    sample = X[0]
+    actual_label = y[0]
+    predicted_label = predict_logreg(sample, model)
+    print(f"预测结果: {predicted_label}, 实际结果: {actual_label}")
+
+    # 计算测试集上的准确率
+    correct_predictions = sum(predict_logreg(X[i], model) == y[i] for i in range(len(y)))
+    accuracy = correct_predictions / len(y)
+    print(f"测试集准确率: {accuracy:.2f}")
\ No newline at end of file