更新 function.py

function.py

@@ -37,20 +37,20 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     return weights  
 
 
-def predict_logreg(inX, weights):
+def predict_logreg(X, weights):  
     """  
     对率回归预测函数。  
 
     Args:  
-    - inX (numpy array): 输入待分类的样本。
+    - X (numpy array): 输入待分类的样本。  
     - weights (numpy array): 训练得到的权重。  
 
     Returns:  
-    - int: 预测的分类标签。
+    - numpy array: 预测的分类标签。  
     """  
-    linear_model = np.dot(inX, weights)
+    linear_model = np.dot(X, weights)  
     y_predicted = sigmoid(linear_model)  
-    return 1 if y_predicted > 0.5 else 0
+    return (y_predicted > 0.5).astype(int)  
 
 
 def load_data(filepath):  
@@ -64,13 +64,13 @@ def load_data(filepath):
     - X (np.array): 特征数据。  
     - y (np.array): 标签数据。  
     """  
-    # 使用空格分隔符加载数据
+    # 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.loadtxt(filepath, delimiter=' ')
+    data = np.genfromtxt(filepath, delimiter=',', dtype=float, filling_values=0)  
-    # 将问号 '?' 替换为 NaN
+
-    data = np.where(data == '?', np.nan, data)
+    if data.ndim == 1:  # ensure the data is valid  
-    # 将 NaN 替换为 0
+        data = np.array([data])  
-    data = np.where(np.isnan(data), 0, data)
+        
-    # 分割特征和标签
+    # 假设最后一列为标签  
     X = data[:, :-1]  
     y = data[:, -1]  
     return X, y  
@@ -86,6 +86,9 @@ if __name__ == "__main__":
     # 训练对率回归模型  
     weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)  
 
-    # 测试单个数据
+    # 测试多个数据  
-    y_pred = predict_logreg(X_test[11], weights)
+    y_pred = predict_logreg(X_test, weights)  
-    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+    
+    # 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]}")