update: function

function.py

@@ -1,64 +1,85 @@
+# function.py
 import numpy as np
 
-id = "202210423224"
+"""
-name = "吴杨洋"
+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。
 
-def sigmoid(z):
+注意事项:
-    return 1 / (1 + np.exp(-np.clip(z, -500, 500)))
+- 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。
+姓名请直接**填写中文**
+例如: name = "张三"
+"""
+id = "202210423xxx"
+name = "test_name"
+
+
+# 这里写自己的代码实现
+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**。
+
+    Returns:
+    - numpy array: 训练得到的权重。
+    """
 
-def train_logreg(X, y, numIter=1000, learning_rate=0.01, lambda_reg=0.01):
-    m, n = X.shape
-    weights = np.zeros(n)
-    for j in range(numIter):
-        for i in range(m):
-            z = np.dot(X[i], weights)
-            h = sigmoid(z)
-            error = y[i] - h
-            gradient = X[i] * error
-            reg_term = lambda_reg * weights
-            gradient += reg_term
-            weights -= learning_rate * gradient
-    return weights
 
 def predict_logreg(inX, weights):
-    z = np.dot(inX, weights)
+    """
-    prob = sigmoid(z)
+    对率回归预测函数。
-    return 1 if prob >= 0.5 else 0
 
+    Args:
+    - inX (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。
+    """
+
+
+# 这里也写自己的代码实现
 def load_data(filepath):
-    file = open(filepath)
+    """
-    fr = file.readlines()
+    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**。
-    data_list = []
-    y = []
-    for data in fr:
-        data = data.strip()
-        data = data.split()
-        if len(data) < 26:  # 确保每行数据有足够的元素
-            continue
-        y.append(1 if data[22] in ['2', '3'] else 0)  # 假设标签是 '2' 或 '3' 为正类
-        data_25 = data[24]
-        data = [0 if x == '?' else float(x) for x in data[:24] + data_25.split(',')]  # 处理缺失值
-        data_list.append(data)
-    X = np.array(data_list)
-    return X, np.array(y)
 
-def standardize(X):
+    Args:
-    mean = X.mean(axis=0)
+    - directory (str): 数据文件路径。
-    std = X.std(axis=0)
-    return (X - mean) / std, mean, std
 
-def main():
+    Returns:
-    X_train, y_train = load_data("./data/horse-colic.data")
+    - np.array: 特征数据。
-    X_test, y_test = load_data("./data/horse-colic.test")
+    - np.array: 标签数据。
+    """
 
-    X_train, mean, std = standardize(X_train)
-    X_test = (X_test - mean) / std
-
-    weights = train_logreg(X_train, y_train, numIter=1000, learning_rate=0.01, lambda_reg=0.1)
-
-    y_pred_test = [predict_logreg(x, weights) for x in X_test]
-    accuracy_test = np.mean(y_pred_test == y_test)
-    print(f"Test Accuracy: {accuracy_test:.2f}")
 
 if __name__ == "__main__":
-    main()
+    # 以下代码可用于测试，可自行随意修改
+    # 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)
+
+    # 测试单个数据
+    y_pred = predict_logreg(X_test[11], weights)
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")

requirements.txt

@@ -1,4 +1,2 @@
 numpy==2.1.1
 requests==2.32.3
-scipy==1.13.1
-sklearn==