更新 function.py

function.py

@@ -10,62 +10,43 @@ from sklearn.linear_model import LogisticRegression
 - 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。
 """
-id = "202210423230"
+id = "202210423xxx"
-name = "尹家立"
+name = "test_name"
 
-# Sigmoid function
+def train_logreg(X, y, max_iter=1000):
-def sigmoid(inX):
-    """Sigmoid激活函数"""
-    return 1.0 / (1 + np.exp(-inX))
-
-def train_logreg(X, y, learning_rate=0.01, iterations=5000, solver='liblinear'):
     """
     对率回归训练函数。
 
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - learning_rate (float): 学习速率。
+    - max_iter (int): 最大迭代次数。
-    - iterations (int): 最大迭代次数。
-    - solver (str): 使用的求解器。默认值为'liblinear'。
 
     Returns:
-    - numpy array: 训练得到的权重。
+    - LogisticRegression: 训练好的模型。
     """
-    # 使用liblinear作为求解器进行对率回归训练
+    classifier = LogisticRegression(solver='liblinear', max_iter=max_iter)
-    model = LogisticRegression(solver=solver, max_iter=iterations)
+    classifier.fit(X, y)
-    model.fit(X, y)
+    return classifier
 
-    # 返回模型的系数作为权重
+def predict_logreg(inX, model):
-    return model.coef_.flatten()
-
-def predict_logreg(inX, weights):
     """
     对率回归预测函数。
 
     Args:
     - inX (numpy array): 输入待分类的样本。
-    - weights (numpy array): 训练得到的权重。
+    - model (LogisticRegression): 训练好的逻辑回归模型。
 
     Returns:
     - int: 预测的分类标签。
     """
-    prob = sigmoid(np.dot(inX, weights))  # 计算预测概率
+    prediction = model.predict([inX])
-    return 1 if prob > 0.5 else 0  # 返回二分类标签
+    return int(prediction[0])
-
-import re
-
 
 def load_data(filepath):
     """
@@ -81,9 +62,7 @@ def load_data(filepath):
     data = []
     with open(filepath, 'r') as file:
         for line in file:
-            # 使用正则表达式按空白字符分隔
+            currLine = line.strip().split('\t')
-            currLine = re.split(r"\s+", line.strip())
-            # 将数据转换为浮点数，如果是 "?" 则替换为 NaN
             lineData = [float(x) if x != '?' else np.nan for x in currLine]
             data.append(lineData)
     
@@ -91,25 +70,24 @@ def load_data(filepath):
     X = data[:, :-1]
     y = data[:, -1]
     
-    # 使用简单的列均值填补缺失值
+    # 填充缺失值
     col_mean = np.nanmean(X, axis=0)
     inds = np.where(np.isnan(X))
     X[inds] = np.take(col_mean, inds[1])
     
     return X, y.astype(int)
 
-
 if __name__ == "__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")
+    X_train, y_train = load_data("horseColicTraining.txt")
 
-    # 加载测试集
+    # 训练模型
-    X_test, y_test = load_data("./data/horse-colic.test")
+    model = train_logreg(X_train, y_train, max_iter=1000)
 
-    # 训练对率回归模型
+    # 加载测试集，获取单个数据进行预测
-    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
+    X_test, y_test = load_data("horseColicTest.txt")
+    test_sample = X_test[0]  # 选取测试集的第一个样本
 
-    # 测试单个数据
+    # 预测单个样本
-    y_pred = predict_logreg(X_test[11], weights)
+    y_pred = predict_logreg(test_sample, model)
-    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[0]}")