更新 function.py

function.py

@@ -27,6 +27,7 @@ name = "邓龙树"
 # user_code.py
 
 import numpy as np
+from sklearn.preprocessing import StandardScaler
 
 def sigmoid(z):
     """计算 sigmoid 函数"""
@@ -44,7 +45,6 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000, l2_penalty=0.01):
     
     return weights
 
-
 def predict_logreg(X, weights):
     """使用训练好的权重预测标签"""
     z = np.dot(X, weights)
@@ -85,14 +85,13 @@ 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。"""
+    """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
 
@@ -107,14 +106,18 @@ def preprocess_data_base(X, y):
 
     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]
@@ -125,8 +128,7 @@ 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)