更新 function.py

function.py

@@ -28,38 +28,49 @@ name = "Tanjunfeng"
 
 # 这里写自己的代码实现
 
-def sigmoid(z):
+import numpy as np
-    return 1 / (1 + np.exp(-z))
 
+# 加载数据函数
+def load_data(filepath):
+    """
+    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
 
-def train_logreg(X, y, other_params="你自己设置一些其它参数", learning_rate=0.01, iterations=1000):
+    Args:
+    - directory (str): 数据文件路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+    data = np.loadtxt(filepath, delimiter=',')
+    X = data[:, :-1]
+    y = data[:, -1]
+    return X, y
+
+# 对率回归训练函数
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     """
     对率回归训练函数。
 
     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**。
+    - learning_rate (float): 学习率，默认为0.01。
-    - learning_rate (float): 学习率。
+    - iterations (int): 迭代次数，默认为1000。
-    - iterations (int): 迭代次数。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
-    m, n = X.shape
+    numSamples, numFeatures = X.shape
-    weights = np.zeros((n, 1))
+    weights = np.zeros(numFeatures)
-
+    for _ in range(iterations):
-    for i in range(iterations):
+        for i in range(numSamples):
-        z = np.dot(X, weights)
+            prediction = 1 / (1 + np.exp(-np.dot(X[i], weights)))
-        h = sigmoid(z)
+            error = y[i] - prediction
-        loss = (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()
+            weights += learning_rate * error * X[i]
-
-        dw = np.dot(X.T, (h - y)) / m
-        weights -= learning_rate * dw
-
     return weights
 
-
+# 对率回归预测函数
 def predict_logreg(inX, weights):
     """
     对率回归预测函数。
@@ -71,36 +82,10 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
-    z = np.dot(inX, weights)
+    prediction = 1 / (1 + np.exp(-np.dot(inX, weights)))
-    h = sigmoid(z)
+    return 1 if prediction >= 0.5 else 0
-    return 1 if h >= 0.5 else 0
-
-
-def load_data(filepath):
-    """
-    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
-
-    Args:
-    - filepath (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-    data = np.genfromtxt(filepath, delimiter=' ', dtype=np.float64)
-
-    # 处理缺失值，这里简单使用均值填充（仅为示例，可根据实际情况调整）
-    column_means = np.nanmean(data, axis=0)
-    inds = np.where(np.isnan(data))
-    data[inds] = np.take(column_means, inds[1])
-
-    X = data[:, :-1]
-    y = data[:, -1].reshape(-1, 1)
-    return X, y
-
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
     # 加载训练集
     X_train, y_train = load_data("./data/horse-colic.data")
 
@@ -113,4 +98,3 @@ if __name__ == "__main__":
     # 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]}")
-