feat: add LOW_ACCURACY_THRESHOLD to avoid long logs

public/challenge/knn/main.py

@@ -6,6 +6,7 @@ import traceback
 
 EXP_URL = "http://10.2.1.195:880"
 PROJECT_NAME = "challenge_knn"
+LOW_ACCURACY_THRESHOLD = 0.5
 
 
 def load_user_function(file_path, function_name):
@@ -22,10 +23,10 @@ def evaluate_knn(
     user_func, train_data, train_labels, test_data, test_labels, log_details
 ):
     """
-    使用学生编写的 KNN 函数对测试集进行分类，并计算准确率。
+    使用编写的 KNN 函数对测试集进行分类，并计算准确率。
 
     Args:
-    - user_func (function): 学生编写的 KNN 函数。
+    - user_func (function): 编写的 KNN 函数。
     - train_data (numpy array): 训练数据集。
     - train_labels (numpy array): 训练标签集。
     - test_data (numpy array): 测试数据集。
@@ -37,6 +38,7 @@ def evaluate_knn(
     """
     correct = 0
     total = len(test_data)
+    temp_log_details = []
 
     try:
         for i in range(total):
@@ -45,7 +47,7 @@ def evaluate_knn(
             if result == test_labels[i]:
                 correct += 1
             else:
-                log_details.append(
+                temp_log_details.append(
                     f"第 {i+1} 次测试错误，数据 {test_data[i]} 被分类到 {result} 实际是 {test_labels[i]}"
                 )
                 print(
@@ -53,6 +55,10 @@ def evaluate_knn(
                 )
 
         accuracy = correct / total
+        if accuracy >= LOW_ACCURACY_THRESHOLD:
+            log_details.extend(temp_log_details)
+        else:
+            log_details.append("分类准确率较低，成绩中不记录错误日志")
         log_details.append(f"分类准确率: {accuracy * 100:.2f}%")
         return accuracy
     except Exception as e: