更新 function.py

function.py

@@ -29,15 +29,15 @@ def sigmoid(z):
 
 
 # 对率回归训练函数
-def train_logreg(X, y, learning_rate=0.01, iterations=1000):
+def train_logreg(X, y, learning_rate=0.05, iterations=500):
     """
     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, 默认值为0.01。
-    - iterations (int): 迭代次数, 默认值为1000。
+    - learning_rate (float): 学习率, 默认值为0.05。
+    - iterations (int): 迭代次数, 默认值为500。
 
     Returns:
     - numpy array: 训练得到的权重和偏置（合并为一个数组）。
@@ -49,7 +49,7 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     X = np.c_[X, np.ones((n_samples, 1))]
 
     # 梯度下降法
-    for i in range(iterations):
+    for _ in range(iterations):
         linear_model = np.dot(X, weights)
         y_pred = sigmoid(linear_model)
 
@@ -84,7 +84,7 @@ def predict_logreg(inX, weights):
 # 数据加载函数
 def load_data(filepath):
     """
-    从文件中加载数据，处理缺失值，将 ? 替换为 NaN 并填充缺失值。
+    从文件中加载数据，处理缺失值，将 ? 替换为 NaN 并填充缺失值为 0。
 
     Args:
     - filepath (str): 数据文件路径。
@@ -94,12 +94,7 @@ def load_data(filepath):
     - np.array: 标签数据。
     """
     # 使用 genfromtxt 读取文件并将缺失值标记为 NaN
-    data = np.genfromtxt(filepath, delimiter=' ', dtype=float, missing_values='?', filling_values=np.nan)
-
-    # 对每一列的 NaN 值用列的平均值进行填充
-    nan_columns = np.isnan(data)
-    mean_values = np.nanmean(data, axis=0)
-    data[nan_columns] = np.take(mean_values, np.where(nan_columns)[1])
+    data = np.genfromtxt(filepath, delimiter=' ', dtype=float, missing_values='?', filling_values=0.0)
 
     # 分离特征和标签
     X = data[:, :-1]  # 所有列（除了最后一列）是特征
@@ -115,7 +110,7 @@ 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=0.05, iterations=500)
 
     # 测试单个数据
     y_pred = predict_logreg(X_test[11], weights)
@@ -123,3 +118,4 @@ if __name__ == "__main__":
 
 
 
+