diff --git a/function.py b/function.py
index f6f3d76..1b74ab2 100644
--- a/function.py
+++ b/function.py
@@ -1,49 +1,29 @@
 import numpy as np
-from sklearn.preprocessing import StandardScaler
 
-def train_logreg(X, y, learning_rate=0.01, iterations=1000, lambda_reg=0.01):
-    """
-    对率回归训练函数。
 
-    Args:
-    - X (numpy array): 特征数据。
-    - y (numpy array): 标签数据。
-    - learning_rate (float): 学习率，默认为0.01。
-    - iterations (int): 迭代次数，默认为1000。
-    - lambda_reg (float): L2正则化系数，默认为0.01。
+"""
+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。
 
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
-    m, n = X.shape
-    weights = np.zeros(n)
-    
-    for _ in range(iterations):
-        for i in range(m):
-            x_i = X[i]
-            y_i = y[i]
-            # 计算预测值
-            prediction = 1 / (1 + np.exp(-np.dot(x_i, weights)))
-            # 计算梯度
-            gradient = x_i * (prediction - y_i)
-            # 更新权重
-            weights -= learning_rate * (gradient + lambda_reg * weights)
-    
-    return weights
+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。
 
-def predict_logreg(inX, weights):
-    """
-    对率回归预测函数。
+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
+"""
 
-    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。
-    """
-    prediction = 1 / (1 + np.exp(-np.dot(inX, weights)))
-    return 1 if prediction > 0.5 else 0
+"""
+请在这里填写学号和姓名，不填写即成绩无效。
+"""
+id = "202210423228"
+name = "黎世浩"
+
 
 def load_data(filepath):
     """
@@ -69,6 +49,66 @@ def load_data(filepath):
 
     return X, y.astype(int)
 
+def scale_features(X):
+    """
+    对特征进行标准化处理。
+
+    Args:
+    - X (numpy array): 特征数据。
+
+    Returns:
+    - numpy array: 标准化后的特征数据。
+    """
+    mean = np.mean(X, axis=0)
+    std = np.std(X, axis=0)
+    # 避免除以零的错误
+    std[std == 0] = 1
+    scaled_X = (X - mean) / std
+    return scaled_X
+
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
+    """
+    对率回归训练函数。
+
+    Args:
+    - X (numpy array): 特征数据。
+    - y (numpy array): 标签数据。
+    - learning_rate (float): 学习率，默认为0.01。
+    - iterations (int): 迭代次数，默认为1000。
+
+    Returns:
+    - numpy array: 训练得到的权重。
+    """
+    m, n = X.shape
+    weights = np.zeros(n)
+    
+    for _ in range(iterations):
+        for i in range(m):
+            x_i = X[i]
+            y_i = y[i]
+            # 计算预测值
+            prediction = 1 / (1 + np.exp(-np.dot(x_i, weights)))
+            # 计算梯度
+            gradient = x_i * (prediction - y_i)
+            # 更新权重
+            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。
+    """
+    prediction = 1 / (1 + np.exp(-np.dot(inX, weights)))
+    return 1 if prediction > 0.5 else 0
+
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改
     # 加载训练集
@@ -78,13 +118,12 @@ if __name__ == "__main__":
     X_test, y_test = load_data("./data/horse-colic.test")
 
     # 特征缩放
-    scaler = StandardScaler()
-    X_train = scaler.fit_transform(X_train)
-    X_test = scaler.transform(X_test)
+    X_train_scaled = scale_features(X_train)
+    X_test_scaled = scale_features(X_test)
 
     # 训练对率回归模型
-    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
+    weights = train_logreg(X_train_scaled, y_train, learning_rate=0.01, iterations=1000)
 
     # 测试单个数据
-    y_pred = predict_logreg(X_test[11], weights)
+    y_pred = predict_logreg(X_test_scaled[11], weights)
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
\ No newline at end of file