更新 function.py

function.py

@@ -25,74 +25,40 @@ id = "202210423201"
 name = "陈瑞琪祥"
 
 
-# 这里写自己的代码实现
+
+# 定义 Sigmoid 函数
+def sigmoid(z):
+    return 1 / (1 + np.exp(-z))
+
+# 定义对率回归的训练函数
 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**。
-
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
-  # 初始化权重
-    weights = np.zeros(X.shape[1])
-    
-    # 学习率和迭代次数
-    learn_rate = learning_rate
-    niterations = iterations
-    
-    # 梯度上升
-    for i in range(niterations):
+    m, n = X.shape
+    weights = np.zeros(n)  # 初始化权重为0
+    for i in range(iterations):
+        # 计算模型预测值
+        predictions = sigmoid(np.dot(X, weights))
         # 计算梯度
-        gradient = np.dot(X.T, (sigmoid(np.dot(X, weights)) - y)) / X.shape[0]
-        
+        gradient = np.dot(X.T, (predictions - y)) / m
         # 更新权重
-        weights += learn_rate * gradient
-    
-    return weight
+        weights -= learning_rate * gradient
+    return weights
 
+# 定义预测函数
 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。
-    """
-# 计算概率
     prob = sigmoid(np.dot(inX, weights))
-    
-    # 预测分类
     if prob > 0.5:
         return 1
     else:
         return 0
 
-# 这里也写自己的代码实现
+# 定义数据加载函数
 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。
-    """
-    data = np.loadtxt(filepath, delimiter=',', skiprows=1)
-    return data[:, :-1], data[:, -1]
-
+    data = np.genfromtxt(filepath, delimiter=',', skip_header=1, filling_values=np.nan)
+    features = data[:, 1:-1]
+    labels = data[:, -1].astype(int)
+    return features, labels
 
 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")