更新 function.py

function.py

@@ -1,44 +1,35 @@
-# function.py
 import numpy as np
 
-"""
-实验说明:
-- 自行编写实现数据加载与预测病马死亡的对率回归算法。
-
-注意事项:
-- 在 function.py 中实现对率回归算法。
-- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
-- 自动评测脚本仅会加载 train_logreg、predict_logreg 和 load_data 函数，请勿修改函数名。
-
-测评环境:
-- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
-- OS: Ubuntu 22.04.4 LTS
-- Python: 3.10.12
-- numpy: 2.1.1
-"""
-
-
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
+id = "202210423107"
-name = "test_name"
+name = "刘燚燊"
 
-
+# 逻辑回归训练函数
-# 这里写自己的代码实现
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
-def train_logreg(X, y, other_params="你自己设置一些其它参数"):
     """
     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。
+    - iterations (int): 迭代次数。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
-
+    m, n = X.shape
+    weights = np.zeros(n)  # 初始化权重
+    for _ in range(iterations):
+        # 计算预测值
+        z = np.dot(X, weights)
+        predictions = 1 / (1 + np.exp(-z))  # Sigmoid函数
+        # 更新权重
+        gradient = np.dot(X.T, (predictions - y)) / m
+        weights -= learning_rate * gradient
+    return weights
 
 def predict_logreg(inX, weights):
     """
@@ -51,21 +42,34 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
+    z = np.dot(inX, weights)
+    probability = 1 / (1 + np.exp(-z))  # Sigmoid函数
+    return 1 if probability >= 0.5 else 0  # 使用0.5作为阈值
 
-
-# 这里也写自己的代码实现
 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:
-    - directory (str): 数据文件路径。
+    - filepath (str): 数据文件路径。
 
     Returns:
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    # 读取数据并处理缺失值
+    data = []
+    with open(filepath, 'r') as f:
+        for line in f:
+            # 将问号替换为0并分割成列表
+            cleaned_line = line.strip().replace('?', '0').split()
+            # 将字符串转换为浮点数并添加到数据集中
+            data.append([float(x) for x in cleaned_line])
     
+    data = np.array(data)  # 转换为numpy数组
+    X = data[:, :-1]  # 所有特征
+    y = data[:, -1]   # 最后一列作为标签
+    return X, y
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改