generated from LufsX/Experiment-LogReg
91 lines
2.4 KiB
Python
91 lines
2.4 KiB
Python
# function.py
|
|
import numpy as np
|
|
|
|
"""
|
|
实验说明:
|
|
- 自行编写实现数据加载与预测病马死亡的对率回归算法。
|
|
|
|
注意事项:
|
|
- 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。
|
|
- 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。
|
|
|
|
测评环境:
|
|
- 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。
|
|
"""
|
|
id = "202210423222"
|
|
name = "邓龙树"
|
|
|
|
import numpy as np
|
|
|
|
def load_data(filepath):
|
|
"""
|
|
从文件中加载数据。
|
|
|
|
Args:
|
|
- filepath (str): 数据文件路径。
|
|
|
|
Returns:
|
|
- np.array: 特征数据。
|
|
- np.array: 标签数据。
|
|
"""
|
|
# 读取每一行作为字符串
|
|
with open(filepath, 'r') as file:
|
|
lines = file.readlines()
|
|
|
|
# 分割每一行并填充缺失的列
|
|
max_cols = 0
|
|
rows = []
|
|
for line in lines:
|
|
# 分割每一行
|
|
cols = line.strip().split(' ')
|
|
# 记录最大列数
|
|
max_cols = max(max_cols, len(cols))
|
|
rows.append(cols)
|
|
|
|
# 将所有行填充到相同的列数
|
|
for row in rows:
|
|
while len(row) < max_cols:
|
|
row.append('nan')
|
|
|
|
# 转换为numpy数组
|
|
data = np.array(rows, dtype=float)
|
|
|
|
# 用np.nan替换字符串'nan'
|
|
data[data == 'nan'] = np.nan
|
|
|
|
X = data[:, :-1] # 假设最后一列是标签
|
|
y = data[:, -1]
|
|
return X, y
|
|
|
|
|
|
if __name__ == "__main__":
|
|
# 加载训练集
|
|
X_train, y_train = load_data("./data/horse-colic.data")
|
|
|
|
# 加载测试集
|
|
X_test, y_test = load_data("./data/horse-colic.test")
|
|
|
|
# 处理缺失值，例如用列的均值替代
|
|
X_train = np.nan_to_num(X_train, nan=np.nanmean(X_train, axis=0))
|
|
X_test = np.nan_to_num(X_test, nan=np.nanmean(X_train, axis=0)) # 用训练集的均值替代测试集
|
|
|
|
# 确保标签为浮点型
|
|
y_train = y_train.astype(float)
|
|
y_test = y_test.astype(float)
|
|
|
|
# 训练对率回归模型
|
|
weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
|
|
|
|
# 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]}")
|