import numpy as np  

"""  
请在这里填写学号和姓名，不填写即成绩无效。  
"""  
id = "202210423224"  
name = "吴杨洋"  


def sigmoid(z):  
    """  
    Sigmoid 激活函数。  
    """  
    return 1 / (1 + np.exp(-z))  


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。  
    - learning_rate (float): 学习率，默认为0.01。  
    - iterations (int): 迭代次数，默认为1000。  

    Returns:  
    - weights (numpy array): 训练得到的权重。  
    """  
    m, n = X.shape  
    weights = np.zeros(n)  
    for i in range(iterations):  
        linear_model = np.dot(X, weights)  
        y_predicted = sigmoid(linear_model)  
        gradient = np.dot(X.T, (y_predicted - y)) / m  
        weights -= learning_rate * gradient  
    return weights  


def predict_logreg(X, weights):  
    """  
    对率回归预测函数。  

    Args:  
    - X (numpy array): 输入待分类的样本。  
    - weights (numpy array): 训练得到的权重。  

    Returns:  
    - numpy array: 预测的分类标签。  
    """  
    linear_model = np.dot(X, weights)  
    y_predicted = sigmoid(linear_model)  
    return (y_predicted > 0.5).astype(int)  


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:  
    - X (np.array): 特征数据。  
    - y (np.array): 标签数据。  
    """  
    # 使用np.genfromtxt加载数据，并且忽略文件中不能转换为float的行  
    data = np.genfromtxt(filepath, delimiter=',', dtype=float, filling_values=0)  

    if data.ndim == 1:  # ensure the data is valid  
        data = np.array([data])  
        
    # 假设最后一列为标签  
    X = data[:, :-1]  
    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")  

    # 训练对率回归模型  
    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)  

    # 测试多个数据  
    y_pred = predict_logreg(X_test, weights)  
    
    # 输出部分预测结果  
    for i in range(10):  # 只输出前10个预测结果  
        print(f"预测结果: {y_pred[i]}, 实际结果: {y_test[i]}")