更新 function.py

function.py

@@ -1,9 +1,8 @@
-# function.py
 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。
+- 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。
@@ -17,28 +16,54 @@ import numpy as np
 - numpy: 2.1.1
 """
 
-
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423118"
+name = "刘国庆"
 
+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**。
 
-# 这里写自己的代码实现
-def train_logreg(X, y, other_params="你自己设置一些其它参数"):
+    Args:
+    - filepath (str): 数据文件路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+    data = np.genfromtxt(filepath, delimiter=',', missing_values='?', filling_values=np.nan)
+    data = data[~np.isnan(data).any(axis=1)]  # Remove rows with NaN values
+    X = data[:, :-1]  # All columns except the last one
+    y = data[:, -1]   # Last column
+    return X, y
+
+def sigmoid(z):
+    """计算 sigmoid 函数"""
+    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。
-    - 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**。
+    - 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)  # Initialize weights
+    for _ in range(iterations):
+        z = np.dot(X, weights)  # Linear combination
+        predictions = sigmoid(z)  # Apply sigmoid
+        # Update weights using gradient ascent
+        weights += (learning_rate / m) * np.dot(X.T, (y - predictions))
+    return weights
 
 def predict_logreg(inX, weights):
     """
@@ -51,21 +76,9 @@ def predict_logreg(inX, weights):
     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。
-    """
-
+    z = np.dot(inX, weights)
+    prediction_prob = sigmoid(z)
+    return 1 if prediction_prob >= 0.5 else 0
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改