diff --git a/function.py b/function.py
index c020a1e..409b95e 100644
--- a/function.py
+++ b/function.py
@@ -39,7 +39,7 @@ name = "吴俊煯"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels,k=4):
+def classify0(inX, dataSet, labels,k=8):
     """
     KNN 分类算法。
 
@@ -52,25 +52,18 @@ def classify0(inX, dataSet, labels,k=4):
     - int: 预测的分类标签。
     """
         # 确保 k 不大于数据集的大小  
-    k = min(k, dataSet.shape[0])  
-      
-    # 计算测试样本与每个训练样本之间的距离  
-    diffMat = np.tile(inX, (dataSet.shape[0], 1)) - dataSet  
-    sqDiffMat = diffMat ** 2  
-    distances = np.sqrt(sqDiffMat.sum(axis=1))  
-      
-    # 对距离进行排序，并获取索引  
-    sortedDistIndicies = distances.argsort()  
-      
-    # 选择距离最小的k个点  
-    classCount = {}  
-    for i in range(k):  
-        voteIlabel = labels[sortedDistIndicies[i]]  
-        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1  
-      
-    # 多数投票  
-    sortedClassCount = sorted(classCount.items(), key=lambda item: item[1], reverse=True)  
-    return sortedClassCount[0][0]
+    # 计算数据集的协方差矩阵的逆
+    VI = np.linalg.inv(np.cov(dataset.T))
+# 计算 inX 与数据集的差值
+    diff = dataSet -inX
+# 使用矩阵运算计算马氏距离
+    distances =np.sqrt(np,sum(diff @ VI * diff,axis=1))
+# 对距离排序，获取前 k 个最近的样本索引
+    sortedDistIndices=np.argsort(distances)
+# 统计前 k 个样本的标签
+    classCount =np.bincount(labels[sortedDistIndices[:k]])
+# 返回出现次数最多的标签
+    return np.argmax(classCount)
 
 
 def load_data(file_path):