更新 function.py

function.py

@@ -1,14 +1,16 @@
-# function.py
-import numpy as np
-from sklearn.linear_model import LogisticRegression
-
 # 学号和姓名
 id = "202210423230"
 name = "尹家立"
 
+# function.py
+import numpy as np
+from sklearn.linear_model import LogisticRegression
+from sklearn.impute import KNNImputer
+
+
 def train_logreg(X, y, max_iter=1000):
     """
-    使用liblinear求解器实现逻辑回归训练函数 (梯度上升)。
+    使用liblinear求解器实现逻辑回归训练函数。
     
     Args:
     - X (numpy array): 特征数据。
@@ -48,7 +50,7 @@ def sigmoid(z):
 
 def load_data(filepath):
     """
-    从文件中加载数据。
+    从文件中加载数据并使用KNNImputer对缺失数据进行预测填充。
     
     Args:
     - filepath (str): 数据文件路径。
@@ -73,10 +75,9 @@ def load_data(filepath):
     X = data[:, :-1]
     y = data[:, -1]
     
-    # 填充缺失值
+    # 使用 KNNImputer 对缺失值进行预测填充
-    col_mean = np.nanmean(X, axis=0)
+    imputer = KNNImputer(n_neighbors=5)
-    inds = np.where(np.isnan(X))
+    X = imputer.fit_transform(X)
-    X[inds] = np.take(col_mean, inds[1])
     
     return X, y.astype(int)
 
@@ -86,7 +87,7 @@ if __name__ == "__main__":
     X_test, y_test = load_data("./data/horse-colic.test")
     
     # 使用liblinear训练对率回归模型
-    weights = train_logreg(X_train, y_train, max_iter=5000)
+    weights = train_logreg(X_train, y_train, max_iter=1000)
     
     # 测试单个样本的预测
     y_pred = predict_logreg(X_test[11], weights)