更新 function.py

function.py

@@ -23,63 +23,117 @@ import numpy as np
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
+id = "202210423629"
-name = "test_name"
+name = "tanjunfeng"
 
 
 # 这里写自己的代码实现
-def train_logreg(X, y, other_params="你自己设置一些其它参数"):
+import numpy as np
+import pandas as pd
+
+
+def load_data(train_path, test_path):
     """
-    对率回归训练函数。
+    加载训练数据和测试数据
 
     Args:
-    - X (numpy array): 特征数据。
+        train_path (str): 训练数据文件路径
-    - y (numpy array): 标签数据。
+        test_path (str): 测试数据文件路径
-    - 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**。
 
     Returns:
-    - numpy array: 训练得到的权重。
+        tuple: 包含训练数据特征、训练数据标签、测试数据特征、测试数据标签
     """
+    train_data = pd.read_csv("./data/horse-colic.data", header=None, na_values='?')
+    test_data = pd.read_csv("./data/horse-colic.test", header=None, na_values='?')
+
+    # 处理缺失值，这里简单删除含有缺失值的行
+    train_data = train_data.dropna()
+    test_data = test_data.dropna()
+
+    train_X = train_data.iloc[:, :-1].values
+    train_y = train_data.iloc[:, -1].values
+    test_X = test_data.iloc[:, :-1].values
+    test_y = test_data.iloc[:, -1].values
+
+    return train_X, train_y, test_X, test_y
 
 
-def predict_logreg(inX, weights):
+def sigmoid(z):
     """
-    对率回归预测函数。
+    Sigmoid函数
 
     Args:
-    - inX (numpy array): 输入待分类的样本。
+        z (numpy.ndarray): 输入值
-    - weights (numpy array): 训练得到的权重。
 
     Returns:
-    - int: 预测的分类标签。
+        numpy.ndarray: Sigmoid函数值
     """
+    return 1 / (1 + np.exp(-z))
 
 
-# 这里也写自己的代码实现
+def train_logreg(train_X, train_y, learning_rate=0.01, num_iterations=1000):
-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**。
+    训练对率回归模型
 
     Args:
-    - directory (str): 数据文件路径。
+        train_X (numpy.ndarray): 训练数据特征
+        train_y (numpy.ndarray): 训练数据标签
+        learning_rate (float, optional): 学习率. Defaults to 0.01.
+        num_iterations (int, optional): 迭代次数. Defaults to 1000.
 
     Returns:
-    - np.array: 特征数据。
+        numpy.ndarray: 训练好的模型权重
-    - np.array: 标签数据。
     """
+    num_features = train_X.shape[1]
+    num_samples = train_X.shape[0]
 
+    # 初始化权重
+    weights = np.zeros(num_features)
+
+    for i in range(num_iterations):
+        # 计算预测值
+        z = np.dot(train_X, weights)
+        h = sigmoid(z)
+
+        # 计算梯度
+        gradient = np.dot(train_X.T, (h - train_y)) / num_samples
+
+        # 更新权重
+        weights -= learning_rate * gradient
+
+    return weights
+
+
+def predict_logreg(test_X, weights):
+    """
+    使用训练好的模型进行预测
+
+    Args:
+        test_X (numpy.ndarray): 测试数据特征
+        weights (numpy.ndarray): 训练好的模型权重
+
+    Returns:
+        numpy.ndarray: 预测结果
+    """
+    z = np.dot(test_X, weights)
+    h = sigmoid(z)
+
+    # 将概率值转换为类别预测0或1
+    predictions = (h >= 0.5).astype(int)
+
+    return predictions
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
+if __name__ == "__main__":
-    # 加载训练集
+    train_path = "./data/horse-colic.data"
-    X_train, y_train = load_data("./data/horse-colic.data")
+    test_path = "./data/horse-colic.test"
 
-    # 加载测试集
+    train_X, train_y, test_X, test_y = load_data(train_path, test_path)
-    X_test, y_test = load_data("./data/horse-colic.test")
 
-    # 训练对率回归模型
+    trained_weights = train_logreg(train_X, train_y)
-    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
 
-    # 测试单个数据
+    predictions = predict_logreg(test_X, trained_weights)
-    y_pred = predict_logreg(X_test[11], weights)
+
-    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+    # 可以在这里进一步评估预测结果的准确性等指标，例如：
+    accuracy = np.mean(predictions == test_y)
+    print("预测准确率:", accuracy)