上传文件至 /

function.py

@@ -1,12 +1,26 @@
 import numpy as np
 
+"""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。
+
+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。
+
+测试环境:
+- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
+- OS: Ubuntu 22.04.4 LTS
+- Python: 3.10.12
+- numpy: 2.1.1
+"""
 
 """请在这里填写学号和姓名，不填写即成绩无效。"""
 id = "202210423104"
 name = "张钦诚"
 
 # 对率回归实现
-def train_logreg(X, y, learning_rate=0.01, iterations=1000):
+def train_logreg(X, y, learning_rate=0.01, iterations=1000, regularization_strength=0.01):
     """对率回归训练函数。
 
     Args:
@@ -14,6 +28,7 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     - y (numpy array): 标签数据。
     - learning_rate (float): 学习率。
     - iterations (int): 训练次数。
+    - regularization_strength (float): L2正则化强度。
 
     Returns:
     - numpy array: 训练得到的权重。
@@ -23,7 +38,7 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     for _ in range(iterations):
         predictions = 1 / (1 + np.exp(-np.dot(X, weights)))
         errors = y - predictions
-        gradient = np.dot(X.T, errors) / m
+        gradient = np.dot(X.T, errors) / m - regularization_strength * weights / m
         weights += learning_rate * gradient
     return weights
 
@@ -74,8 +89,13 @@ if __name__ == "__main__":
     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)
+    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=2000, regularization_strength=0.1)
 
-    # 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]}")
+    # 测试数据集
+    correct_predictions = 0
+    for i in range(len(X_test)):
+        y_pred = predict_logreg(X_test[i], weights)
+        if y_pred == y_test[i]:
+            correct_predictions += 1
+    accuracy = correct_predictions / len(X_test)
+    print(f"测试出的正确率: {accuracy * 100:.2f}%")