diff --git a/function.py b/function.py
index a810ea0..bc3172e 100644
--- a/function.py
+++ b/function.py
@@ -15,18 +15,16 @@ import numpy as np
 """
 id = "202210423208"
 name = "刘义天"
-
-
-# 这里实现数据加载函数
+# 加载数据并添加特征交互项
 def load_data(filepath):
     """
-    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**
+    从文件中加载数据并生成特征交互项。
 
     Args:
     - filepath (str): 数据文件路径
 
     Returns:
-    - X (numpy array): 特征数据
+    - X (numpy array): 包含特征交互项的特征数据
     - y (numpy array): 标签数据
     """
     # 读取数据，指定分隔符为空格，缺失值符号为 '?'
@@ -45,8 +43,20 @@ def load_data(filepath):
     X = data[:, :-1]
     y = data[:, -1]
     
+    # 生成特征交互项
+    n = X.shape[1]
+    interaction_features = []
+    for i in range(n):
+        for j in range(i + 1, n):
+            interaction_features.append(X[:, i] * X[:, j])
+    
+    # 将交互特征添加到原特征集
+    X = np.hstack([X] + interaction_features)
+    
     return X, y
-# 这里实现对率回归训练函数
+
+
+# 对率回归训练函数
 def train_logreg(X, y, learning_rate=0.01, num_iterations=1000, regularization_strength=0):
     """
     对率回归训练函数。
@@ -68,7 +78,9 @@ def train_logreg(X, y, learning_rate=0.01, num_iterations=1000, regularization_s
         gradient = (1 / m) * np.dot(X.T, (predictions - y)) + regularization_strength * weights
         weights -= learning_rate * gradient
     return weights
-# 这里实现对率回归预测函数
+
+
+# 对率回归预测函数
 def predict_logreg(inX, weights):
     """
     对率回归预测函数。
@@ -82,6 +94,7 @@ def predict_logreg(inX, weights):
     """
     probability = 1 / (1 + np.exp(-np.dot(inX, weights)))
     return 1 if probability >= 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