From be7d201625866b11fba4d82066f3ccd311cea133 Mon Sep 17 00:00:00 2001 From: Dengddd <3149942468@qq.com> Date: Thu, 31 Oct 2024 15:45:00 +0800 Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- function.py | 48 +++++++++++++++++++++++++----------------------- 1 file changed, 25 insertions(+), 23 deletions(-) diff --git a/function.py b/function.py index 8ffa1a0..984b5ee 100644 --- a/function.py +++ b/function.py @@ -27,24 +27,24 @@ name = "邓龙树" # user_code.py import numpy as np +from sklearn.preprocessing import StandardScaler def sigmoid(z): - """计算sigmoid函数""" + """计算 sigmoid 函数""" return 1 / (1 + np.exp(-z)) def train_logreg(X, y, learning_rate=0.01, iterations=1000, l2_penalty=0.01): - """对率回归训练函数，包括L2正则化。""" + """对率回归训练函数，包括 L2 正则化。""" weights = np.zeros(X.shape[1]) for _ in range(iterations): z = np.dot(X, weights) predictions = sigmoid(z) - gradient = np.dot(X.T, (predictions - y)) / y.size + l2_penalty * weights # 添加L2正则化项 + gradient = np.dot(X.T, (predictions - y)) / y.size + l2_penalty * weights # 添加 L2 正则化项 weights -= learning_rate * gradient return weights - def predict_logreg(X, weights): """使用训练好的权重预测标签""" z = np.dot(X, weights) @@ -69,15 +69,15 @@ def load_data(filepath): if len(data[i]) < max_columns: data[i].extend(['0'] * (max_columns - len(data[i]))) # 使用'0'填充缺失列 - # 转换成numpy数组，处理缺失值 + # 转换成 numpy 数组，处理缺失值 data_array = [] for row in data: cleaned_row = [] for value in row: if value == '?': # 替换无法转换的值 - cleaned_row.append(0) # 使用0填充 + cleaned_row.append(0) # 使用 0 填充 else: - cleaned_row.append(float(value)) # 转换为float + cleaned_row.append(float(value)) # 转换为 float data_array.append(cleaned_row) data_array = np.array(data_array) @@ -85,36 +85,39 @@ def load_data(filepath): return data_array[:, :-1], data_array[:, -1] def preprocess_data(X, y): - """数据预处理，合并特征23的值，并删除特征3和特征24~28，以及特征缩放。""" - # 合并特征23的值和删除特征 + """数据预处理，合并特征 23 的值，并删除特征 3 和特征 24~28，以及使用库函数进行特征缩放和归一化。""" + # 合并特征 23 的值和删除特征 X, y = preprocess_data_base(X, y) - # 特征缩放：标准化特征 - X_mean = np.mean(X, axis=0) - X_std = np.std(X, axis=0) - X = (X - X_mean) / X_std + # 使用库函数进行标准化处理 + scaler = StandardScaler() + X = scaler.fit_transform(X) return X, y def preprocess_data_base(X, y): - """数据预处理，合并特征23的值，并删除特征3和特征24~28。""" - # 合并特征23的值：将2（死亡）和3（安乐死）合并为0（死亡） - y = np.where(y == 2, 0, y) # 将值2替换为0 - y = np.where(y == 3, 0, y) # 将值3替换为0 + """数据预处理，合并特征 23 的值，并删除特征 3 和特征 24~28。""" + # 合并特征 23 的值：将 2（死亡）和 3（安乐死）合并为 0（死亡） + y = np.where(y == 2, 0, y) # 将值 2 替换为 0 + y = np.where(y == 3, 0, y) # 将值 3 替换为 0 - # 删除特征3和特征24~28（假设特征索引从0开始） + # 删除特征 3 和特征 24~28（假设特征索引从 0 开始） X = np.delete(X, [2] + list(range(23, 28)), axis=1) return X, y +def evaluate_model(X_test, y_test, weights): + """评估模型准确率""" + predictions = predict_logreg(X_test, weights) + accuracy = np.mean(predictions == y_test) + return accuracy + if __name__ == "__main__": # 加载数据 X, y = load_data("./data/horse-colic.data") # 数据预处理 X, y = preprocess_data(X, y) - X_mean = np.mean(X, axis=0) # 保存训练数据的均值 - X_std = np.std(X, axis=0) # 保存训练数据的标准差 # 尝试不同的正则化强度 l2_penalties = [0.01, 0.1, 1.0] @@ -125,12 +128,11 @@ if __name__ == "__main__": # 加载测试数据并进行预处理 X_test, y_test = load_data("./data/horse-colic.test") - X_test = (X_test - X_mean) / X_std # 使用训练数据的均值和标准差进行标准化 - X_test, y_test = preprocess_data_base(X_test, y_test) # 应用其他预处理步骤 + X_test, y_test = preprocess_data(X_test, y_test) # 评估模型准确率 accuracy = evaluate_model(X_test, y_test, weights) - print(f"L2正则化强度: {l2_penalty}, 准确率: {accuracy:.4f}") + print(f"L2 正则化强度: {l2_penalty}, 准确率: {accuracy:.4f}") # 打印预测结果和实际结果（以最后一个正则化强度为例） predictions = predict_logreg(X_test, weights)