diff --git a/function.py b/function.py
index 99cc363..583f71b 100644
--- a/function.py
+++ b/function.py
@@ -26,59 +26,101 @@ name = "周佳成"
 
 
 # 这里写自己的代码实现
-import pandas as pd  
-import numpy as np  
-from sklearn.model_selection import train_test_split  
-from sklearn.linear_model import LogisticRegression  
-from sklearn.metrics import accuracy_score, classification_report  
-
-def load_data(file_path):
-    # 读取数据
-    data = pd.read_csv(file_path, header=None, delim_whitespace=True, na_values='?')
-    # 处理缺失值（用0填充）
-    data.fillna(0, inplace=True)
-    
-    # 选择特征和目标变量
-    # 去掉特征3和特征24~28
-    features = data.iloc[:, :-5].values  # 假设最后一列是目标变量，前面的都是特征
-    target = data.iloc[:, -1].values
-
-    # 将目标变量中的2和3合并为0
-    target[target == 2] = 0  
-    target[target == 3] = 0  
-
-    # 将目标变量转换为二进制分类（0或1）
-    target = (target == 1).astype(int)
-
-    return features, target
-
-def train_logreg(X_train, y_train):
-    # 训练逻辑回归模型
-    model = LogisticRegression(max_iter=1000)
-    model.fit(X_train, y_train)
-    return model
-
-def predict_logreg(model, X_test):
-    # 进行预测
-    return model.predict(X_test)
-
-# 主程序
-data_path = './data/horse-colic.data'
-features, target = load_data(data_path)
-
-# 划分训练集和测试集
-X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)
-
-# 训练模型
-model = train_logreg(X_train, y_train)
-
-# 预测并评估模型
-y_pred = predict_logreg(model, X_test)
-accuracy = accuracy_score(y_test, y_pred)
-report = classification_report(y_test, y_pred)
-
-print(f"Accuracy: {accuracy:.2f}")  
-print("Classification Report:")  
-print(report)  
+# Sigmoid函数
+def sigmoid(z):
+    return 1 / (1 + np.exp(-z))
 
 
+# 对率回归训练函数
+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, 默认值为0.01。
+    - iterations (int): 迭代次数, 默认值为1000。
+
+    Returns:
+    - numpy array: 训练得到的权重和偏置（合并为一个数组）。
+    """
+    n_samples, n_features = X.shape
+    weights = np.zeros(n_features + 1)  # 增加一位用于偏置
+
+    # 增加一列1表示偏置
+    X = np.c_[X, np.ones((n_samples, 1))]
+
+    # 梯度下降法
+    for i in range(iterations):
+        linear_model = np.dot(X, weights)
+        y_pred = sigmoid(linear_model)
+
+        # 计算梯度
+        dw = (1 / n_samples) * np.dot(X.T, (y_pred - y))
+
+        # 更新权重
+        weights -= learning_rate * dw
+
+    return weights
+
+
+# 对率回归预测函数
+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): 训练得到的权重和偏置。
+
+    Returns:
+    - int: 预测的分类标签 (0 或 1)。
+    """
+    # 增加偏置项
+    inX = np.append(inX, 1)
+    linear_model = np.dot(inX, weights)
+    y_pred = sigmoid(linear_model)
+    return 1 if y_pred >= 0.5 else 0
+
+
+# 数据加载函数
+def load_data(filepath):
+    """
+    从文件中加载数据，处理缺失值，将 ? 替换为 NaN 并填充缺失值。
+
+    Args:
+    - filepath (str): 数据文件路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+    # 使用 genfromtxt 读取文件并将缺失值标记为 NaN
+    data = np.genfromtxt(filepath, delimiter=' ', dtype=float, missing_values='?', filling_values=np.nan)
+
+    # 对每一列的 NaN 值用列的平均值进行填充
+    nan_columns = np.isnan(data)
+    mean_values = np.nanmean(data, axis=0)
+    data[nan_columns] = np.take(mean_values, np.where(nan_columns)[1])
+
+    # 分离特征和标签
+    X = data[:, :-1]  # 所有列（除了最后一列）是特征
+    y = data[:, -1]   # 最后一列是标签
+    return X, y
+
+
+if __name__ == "__main__":
+    # 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")
+
+    # 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]}")
+