diff --git a/function.py b/function.py
index 29569ae..5126797 100644
--- a/function.py
+++ b/function.py
@@ -41,6 +41,7 @@ name = "黎世浩"
 
 
 # 这里写自己的代码实现
+
 def classify0(inX, dataSet, labels, k=3):
     """
     KNN 分类算法，使用马氏距离。
@@ -49,16 +50,21 @@ def classify0(inX, dataSet, labels, k=3):
     - inX (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，默认值为 3。
 
     Returns:
     - int: 预测的分类标签。
     """
-    # 计算马氏距离
+    # 计算协方差矩阵的逆和均值
     inv_cov = np.linalg.inv(np.cov(dataSet.T))  # 计算协方差矩阵的逆
     meanVals = np.mean(dataSet, axis=0)  # 计算均值
-    diffMat = inX - meanVals  # 计算差值
-    mahalDist = np.sqrt(diffMat.dot(inv_cov).dot(diffMat.T))  # 计算马氏距离
+
+    # 计算输入样本与训练集中每个样本的马氏距离
+    diffMat = dataSet - meanVals
+    mahalDist = np.array([np.sqrt((inX - meanVals).dot(inv_cov).dot((inX - meanVals).T)) * np.sqrt(np.sum((diff - meanVals).dot(inv_cov).dot(diff - meanVals.T)) / (diffMat.shape[0] - 1)) for diff in diffMat])
+
+    # 确保 k 不大于训练集中的样本数量
+    k = min(k, len(mahalDist))
 
     # 对距离进行排序，选择距离最小的 k 个样本
     sortedDistIndices = np.argsort(mahalDist)