更新 function.py

function.py

@@ -23,8 +23,8 @@ import numpy as np
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423115"
+name = "李煜锋"
 
 
 # 这里写自己的代码实现
@@ -40,7 +40,17 @@ def train_logreg(X, y, other_params="你自己设置一些其它参数"):
     Returns:
     - numpy array: 训练得到的权重。
     """
+m, n = X.shape
+    weights = np.zeros(n)
     
+    # 梯度下降法
+    for _ in range(iterations):
+        linear_model = np.dot(X, weights)
+        predictions = 1 / (1 + np.exp(-linear_model))  # sigmoid函数
+        # 更新权重
+        weights += learning_rate * (1/m) * np.dot(X.T, (y - predictions))
+    
+    return weights
 
 def predict_logreg(inX, weights):
     """
@@ -53,7 +63,24 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
+linear_model = np.dot(inX, weights)
+    prediction = 1 / (1 + np.exp(-linear_model))  # sigmoid函数
+    return 1 if prediction >= 0.5 else 0  # 采用0.5作为阈值
 
+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("./horse-colic.data")
+
+    # 加载测试集
+    X_test, y_test = load_data("./horse-colic.test")
+
+    # 训练对率回归模型
+    weights = train_logreg(X_train, y_train)
+
+    # 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]}")
 
 # 这里也写自己的代码实现
 def load_data(filepath):
@@ -67,7 +94,23 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+# 使用空白作为分隔符读取数据
+    data = pd.read_csv(filepath, sep='\s+', header=None, na_values='?')
     
+    # 填充缺失值
+    data.fillna(0, inplace=True)
+
+    # 处理目标变量，假设第 23 列是目标变量（索引 22）
+    data[22] = data[22].replace({2: 0, 3: 0})
+
+    # 去掉特征 3（索引 2）及特征 24~28（索引 23~27），如果这些列存在
+    columns_to_drop = [2, 23, 24, 25, 26, 27]
+    data = data.drop(columns=[col for col in columns_to_drop if col in data.columns])
+
+    # 分离特征和标签
+    X = data.drop(columns=[22]).to_numpy()  # 特征数据
+    y = data[22].to_numpy()  # 标签数据
+    return X, y
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改