更新 function.py

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)