更新 function.py

function.py

@@ -1,46 +1,44 @@
-# function.py
 import numpy as np
 
-"""
+# 这里填写学号和姓名
-实验说明:
+id = "202210218225"
-- 自行编写实现数据加载与预测病马死亡的对率回归算法。
+name = "周水源"
 
-注意事项:
+def sigmoid(z):
-- 在 function.py 中实现对率回归算法。
+    """
-- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
+    Sigmoid 函数，将输入值映射到 (0, 1) 的范围。
-- 自动评测脚本仅会加载 train_logreg、predict_logreg 和 load_data 函数，请勿修改函数名。
+    """
+    return 1 / (1 + np.exp(-z))
 
-测评环境:
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
-- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
-- OS: Ubuntu 22.04.4 LTS
-- Python: 3.10.12
-- numpy: 2.1.1
-"""
-
-
-"""
-请在这里填写学号和姓名，不填写即成绩无效。
-姓名请直接**填写中文**
-例如: name = "张三"
-"""
-id = "202210423xxx"
-name = "test_name"
-
-
-# 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"):
     """
     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，默认值为 0.01。
+    - iterations (int): 梯度下降迭代次数，默认值为 1000。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
-
+    # 初始化权重
+    weights = np.zeros(X.shape[1])
+    
+    # 梯度下降
+    for _ in range(iterations):
+        # 计算预测值
+        predictions = sigmoid(np.dot(X, weights))
+        
+        # 计算误差
+        error = predictions - y
+        
+        # 更新权重
+        gradient = np.dot(X.T, error) / len(y)
+        weights -= learning_rate * gradient
+    
+    return weights
 
 def predict_logreg(inX, weights):
     """
@@ -51,26 +49,41 @@ def predict_logreg(inX, weights):
     - weights (numpy array): 训练得到的权重。
 
     Returns:
-    - int: 预测的分类标签。
+    - int: 预测的分类标签 (0 或 1)。
     """
+    # 计算预测概率
+    prob = sigmoid(np.dot(inX, weights))
+    # 将概率转为标签
+    return 1 if prob >= 0.5 else 0
 
-
-# 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**。
+    从文件中加载数据。
 
     Args:
-    - directory (str): 数据文件路径。
+    - filepath (str): 数据文件路径。
 
     Returns:
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
-
+    data = []
+    labels = []
+    
+    with open(filepath, 'r') as file:
+        for line in file:
+            line = line.strip().split()
+            if not line:
+                continue
+            # 将特征转换为浮点型
+            features = list(map(float, line[:-1]))
+            label = int(line[-1])
+            data.append(features)
+            labels.append(label)
+    
+    return np.array(data), np.array(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")
 
@@ -83,3 +96,4 @@ if __name__ == "__main__":
     # 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]}")
+