更新 function.py

function.py

@@ -1,3 +1,4 @@
+# function.py
 import numpy as np
 import os
 
@@ -20,12 +21,14 @@ import os
 - numpy: 2.1.1
 """
 
+
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
 id = "202210423213"
 name = "熊浩燃"
 
+
 """
 参数说明:
 - input_vector (numpy array): 输入待分类的样本。
@@ -36,33 +39,23 @@ name = "熊浩燃"
 - int: 预测的分类标签。
 """
 
+
 # 这里写自己的代码实现
 def classify(input_vector, dataSet, labels, k=1):
     """
-    KNN 分类算法，使用马氏距离。
+    KNN 分类算法。
 
     Args:
     - input_vector (numpy array): 输入待分类的样本。
     - dataSet (numpy array): 训练数据集。
     - labels (list or numpy array): 训练集对应的标签。
-    - k (int): kNN 算法参数，默认值为1。
+    - k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
 
     Returns:
     - int: 预测的分类标签。
     """
-    # 计算数据集的协方差矩阵
-    covariance_matrix = np.cov(dataSet, rowvar=False)
-    
-    # 添加正则化项，防止协方差矩阵奇异
-    regularization_term = 1e-5 * np.eye(covariance_matrix.shape[0])
-    covariance_matrix += regularization_term
-    
-    # 计算协方差矩阵的逆
-    inv_covariance_matrix = np.linalg.inv(covariance_matrix)
-    
-    # 计算马氏距离
-    distances = np.array([np.sqrt((input_vector - x).dot(inv_covariance_matrix).dot((input_vector - x).T)) for x in dataSet])
-
+    # 计算欧氏距离
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
     # 获取距离最近的 k 个样本的索引
     nearest_neighbors_indices = distances.argsort()[:k]
     # 获取这些样本的标签