import numpy as np  
  
# 填写学号和姓名  
id = "202210423105"  
name = "魏明帅"  
  
def sigmoid(z):  
    return 1 / (1 + np.exp(-z))  
  
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。  
    - iterations (int): 迭代次数。  
  
    Returns:  
    - numpy array: 训练得到的权重。  
    """  
    m, n = X.shape  
    weights = np.zeros(n)  
    bias = 0  
  
    for i in range(iterations):  
        h = sigmoid(np.dot(X, weights) + bias)  
        error = h - y  
        weights -= learning_rate * (1 / m) * np.dot(X.T, error)  
        bias -= learning_rate * (1 / m) * np.sum(error)  
  
    return weights, bias  
  
def predict_logreg(inX, weights, bias):  
    """  
    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。  
    - bias (float): 训练得到的偏置项。  
  
    Returns:  
    - int: 预测的分类标签。  
    """  
    prob = sigmoid(np.dot(inX, weights) + bias)  
    return 1 if prob > 0.5 else 0  
  
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。  
    """  
    data = np.loadtxt(filepath, delimiter=',')  
    X = data[:, :-1]  
    y = data[:, -1]  
    y = (y > 0).astype(int)  # 将标签转换为1和0  
    return X, y  
  
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")  
  
    # 训练对率回归模型  
    weights, bias = 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, bias)  
    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")