更新 function.py

function.py

@@ -21,11 +21,15 @@ import numpy as np
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423124"
+name = "刘子豪"
 
 
 # 这里写自己的代码实现
+def sigmoid(z):
+    return 1 / (1 + np.exp(-z)) #用于将数据转化成一个0 - 1之间的概率值
+
+
 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。
@@ -38,6 +42,14 @@ 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)
+    for _ in range(iterations):
+        predictions = sigmoid(np.dot(X, weights))
+        errors = y - predictions
+        gradient = np.dot(X.T, errors) / m
+        weights += learning_rate * gradient
+    return weights
 
 
 def predict_logreg(inX, weights):
@@ -51,6 +63,8 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
+    probability = sigmoid(np.dot(inX, weights))
+    return 1 if probability >= 0.5 else 0
 
 
 # 这里也写自己的代码实现
@@ -65,6 +79,16 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    data = []
+    labels = []
+    with open(filepath, 'r') as file:
+        for line in file:
+            fields = line.strip().split()
+            if '?' in fields:
+                continue  # 跳过包含缺失值的行
+            data.append([float(x) for x in fields[:-1]])
+            labels.append(int(fields[-1]))  # 假设标签在最后一列
+    return np.array(data), np.array(labels)
 
 
 if __name__ == "__main__":