From 5fcca3639daefbc432d7fa2a73d5eb4b3e9c7486 Mon Sep 17 00:00:00 2001
From: 202210423116 <2477589483@qq.com>
Date: Sun, 3 Nov 2024 13:15:16 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 142 ++++++++++++++++++++--------------------------------
 1 file changed, 54 insertions(+), 88 deletions(-)

diff --git a/function.py b/function.py
index 0008c6a..14a553a 100644
--- a/function.py
+++ b/function.py
@@ -26,92 +26,58 @@ name = "廖运瑞"
 
 
 # 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)  
-    bias = 0  # 偏置项，可以合并到权重中处理，但这里单独处理  
-  
-    for _ in range(iterations):  
-        output = sigmoid(np.dot(X, weights) + bias)  
-        error = y - output  
-        weights += learning_rate * np.dot(X.T, error) / m  
-        bias += learning_rate * np.sum(error) / m  
-  
-    # 如果需要返回偏置项，可以将其添加到权重数组的前面或作为单独的返回值  
-    # 这里为了与predict_logreg函数接口一致，我们选择不直接修改weights数组  
-    return weights, bias  
-  
-def predict_logreg(inX, weights, bias=0):  
-    """  
-    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，默认为0。  
-  
-    Returns:  
-    - int: 预测的分类标签（0或1）。  
-    """  
-    z = np.dot(inX, weights) + bias  
-    return 1 if sigmoid(z) >= 0.5 else 0  
-  
-def sigmoid(z):  
-    """  
-    Sigmoid激活函数。  
-  
-    Args:  
-    - z (float or numpy array): 输入值。  
-  
-    Returns:  
-    - float or numpy array: Sigmoid输出值。  
-    """  
-    return 1 / (1 + np.exp(-z))  
-  
-def load_data(filepath):  
-    """  
-    从文件中加载数据。  
-  
-    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:]  # 特征数据，假设从第二列开始  
-    y = data[:, 0]   # 标签数据，假设在第一列  
-    return X, y.astype(int)  # 确保标签为整数类型  
-  
-if __name__ == "__main__":  
-    # 加载训练集  
-    X_train, y_train = load_data("./data/horse-colic.data")  
-  
-    # 为了处理偏置项，我们在X_train中添加一列全为1的列（或者使用上面的bias参数）  
-    # 但为了与train_logreg函数接口一致，这里我们选择使用bias参数  
-    # 如果选择将偏置项合并到权重中，则应该这样处理：  
-    # X_train_with_bias = np.c_[np.ones((X_train.shape[0], 1)), X_train]  
-    # 并相应地修改train_logreg函数和predict_logreg函数的接口  
-  
-    # 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)  
+def train_logreg(X, y, other_params="你自己设置一些其它参数"):
+    """
+    对率回归训练函数。
+
+    Args:
+    - X (numpy array): 特征数据。
+    - y (numpy array): 标签数据。
+    - other_params (str): 其它参数，可选设置。若需设置其它参数，必须设置其默认值，否则将**无法通过**自动评测，**成绩为零**。
+
+    Returns:
+    - numpy array: 训练得到的权重。
+    """
+
+
+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。
+    """
+
+
+# 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:
+    - directory (str): 数据文件路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+
+
+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]}")
\ No newline at end of file