更新 function.py

function.py

@@ -1,5 +1,7 @@
 # function.py
 import numpy as np
+import pandas as pd
+
 
 """
 挑战说明:
@@ -28,22 +30,18 @@ name = "邓龙树"
 
 
 # 这里写自己的代码实现
-def train_svm(X, y, learning_rate=0.01, iterations=1000 ):
+def train_svm(X, y, learning_rate=0.01, iterations=1000):
     """
     支持向量机训练函数。
 
     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。
     """
-    # 这里采用简单的梯度下降法示例来训练线性SVM（实际应用中可使用更高效的SMO等算法优化）
     num_samples, num_features = X.shape
-    learning_rate = 0.01  # 学习率，可作为参数调整
-    iterations = 1000  # 迭代次数，可作为参数调整
     weights = np.zeros(num_features)
     # 迭代更新权重
     for _ in range(iterations):
@@ -64,9 +62,8 @@ def predict_svm(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
-    # 计算决策函数值（这里是线性SVM的简单情况）
     result = np.dot(inX, weights)
-    # 根据结果判断类别（简单的多分类策略示例，可优化）
+    # 根据结果判断类别（更合理的三分类策略调整）
     if result >= 0.5:
         return 1
     elif result < -0.5:
@@ -84,26 +81,24 @@ def load_data(filepath):
     Returns:
     - np.array: 特征数据。
     - np.array: 标签数据。
-
     """
-    data = []
-    labels = []
-    with open(filepath, 'r') as f:
-        for line in f.readlines():
-            parts = line.strip().split()
-            features = []
-            for p in parts[:-1]:
-                try:
-                    features.append(float(p))
-                except ValueError:
-                    features.append(0)  # 将无法转换的字符替换为0，也可以用其他合适值
-            label = int(parts[-1])
-            data.append(features)
-            labels.append(label)
-    data = np.array(data)
-    labels = np.array(labels)
+    # 使用pandas读取数据文件，假设数据是用空格等分隔的简单文本格式，可根据实际调整
+    df = pd.read_csv(filepath, sep=' ', header=None, na_values='?')  # 将 '?' 视为缺失值
+    # 填充缺失值，这里简单用0填充，也可以根据特征的分布等采用更合理的填充方式，比如均值填充等
+    df.fillna(0, inplace=True)
+    # 获取特征数据和标签数据，确保标签符合三分类要求
+    data = df.iloc[:, :-1].values
+    labels = df.iloc[:, -1].values
+    # 对标签数据进行合法性检查，确保是三分类要求的1、2、3
+    valid_labels = []
+    for l in labels:
+        if l in [1, 2, 3]:
+            valid_labels.append(int(l))
+        else:
+            raise ValueError(f"非法标签值 {l}，数据标签应是1、2、3三分类情况")
+    labels = np.array(valid_labels)
     # 选择特征23（从1开始由左向右数）作为目标变量
-    data = data[:, 22].reshape(-1, 1)  # 修正这里的语法错误，将--1改为-1
+    data = data[:, 22].reshape(-1, 1)
     return data, labels