diff --git a/function.py b/function.py
index 852db3c..501b1aa 100644
--- a/function.py
+++ b/function.py
@@ -28,60 +28,24 @@ name = "廖子豪"
 
 # 这里写自己的代码实现
 def load_data(filepath):
-    """
-    从文件中加载数据。
-
-    Args:
-    - filepath (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
     try:
-        # 使用 numpy 的 genfromtxt 函数加载数据，自动处理缺失值
-        # 指定空格作为分隔符
         data = np.genfromtxt(filepath, delimiter=' ', dtype=float, filling_values=np.nan)
-        
-        print(f"Loaded data shape: {data.shape}")  # 调试打印数据形状
-        
-        # 检查数据是否为一维数组
+        print(f"Loaded data shape: {data.shape}")
         if data.ndim == 1:
             raise ValueError("数据加载后为一维数组，预期为二维数组。请检查数据文件格式。")
-        
-        # 检查数据文件中是否有足够的列
         if data.shape[1] < 2:
             raise ValueError("数据文件中没有足够的列。每行至少需要包含一个特征和一个标签。")
-        
-        # 分离特征和标签
-        X = data[:, :-1]  # 所有行，除了最后一列
-        y = data[:, -1]   # 所有行，只有最后一列
-
-        # 填充缺失值，这里使用每列的均值来填充
+        X = data[:, :-1]
+        y = data[:, -1]
         X = np.nan_to_num(X, nan=np.nanmean(X, axis=0))
-
         return X, y
     except Exception as e:
         print(f"Error loading data: {e}")
-        # 返回空数组而不是None，以避免后续代码中出现错误
         return np.empty((0, 0)), np.empty(0)
 
 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
-    # 添加偏置项
-    X = np.c_[np.ones((m, 1)), X]
+    X = np.c_[np.ones((m, 1)), X]  # 添加偏置项
     weights = np.zeros(n + 1)
     for _ in range(iterations):
         for i in range(m):
@@ -91,46 +55,23 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     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。
-    """
-    # 确保输入样本是二维数组
     if inX.ndim == 1:
-        inX = inX.reshape(1, -1)  # 将一维数组转换为二维数组
-    
-    # 添加偏置项
-    inX = np.hstack([np.ones((inX.shape[0], 1)), inX])  # 在特征向量的开头添加偏置项
+        inX = inX.reshape(1, -1)
+    inX = np.c_[np.ones((1, 1)), inX]  # 添加偏置项
     z = np.dot(inX, weights)
     y_pred = 1 / (1 + np.exp(-z))
     return 1 if y_pred > 0.5 else 0
 
 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")
 
-    # 特征缩放
     scaler = StandardScaler()
     X_train = scaler.fit_transform(X_train)
     X_test = scaler.transform(X_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]}")
-
-    # 评估模型
     y_pred_all = [predict_logreg(X_test[i], weights) for i in range(len(X_test))]
     accuracy = np.mean(y_pred_all == y_test)
     print(f"Accuracy: {accuracy}")
\ No newline at end of file