更新 function.py

function.py

@@ -1,47 +1,13 @@
 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。
-
-测评环境:
-- 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。
-姓名请直接**填写中文**
-例如: name = "张三"
-"""
 id = "202210423105"
 name = "魏明帅"
 
-
-# 这里写自己的代码实现
 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
-    weights = np.zeros(n)
+    # 添加偏置项
+    X = np.c_[np.ones((m, 1)), X]
+    weights = np.zeros(n + 1)
     
     for _ in range(iterations):
         for i in range(m):
@@ -54,61 +20,31 @@ 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。
-    """
     z = np.dot(inX, weights)
     h = 1 / (1 + np.exp(-z))
     return 1 if h >= 0.5 else 0
 
-
-# 这里也写自己的代码实现
 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**。
-
-    Args:
-    - filepath (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
     X = []
     y = []
     with open(filepath, 'r') as f:
         for line in f:
             values = line.strip().split()
-            # 检查是否存在 '?' 并替换为 0
+            if '?' in values:
-            values = [float(x) if x != '?' else 0.0 for x in values]
+                continue
-            
-            # 将标签和特征转换为浮点数
             y.append(float(values[-1]))
-            X.append(values[:-1])
+            X.append([float(x) for x in values[:-1]])
     
-    return np.array(X), np.array(y).reshape(-1, 1)
+    # 特征缩放
-
+    X_array = np.array(X)
+    X_scaled = (X_array - np.mean(X_array, axis=0)) / np.std(X_array, axis=0)
+    return X_scaled, np.array(y).reshape(-1, 1)
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-    # 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]}")