更新 function.py

function.py

@@ -1,93 +1,57 @@
-# function.py
-import numpy as np
-from sklearn.linear_model import LogisticRegression
-
-"""
-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。
-
-注意事项:
-- 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。
-"""
-
-"""
-请在这里填写学号和姓名，不填写即成绩无效。
-"""
 id = "202210423xxx"
 name = "test_name"
 
-def train_logreg(X, y, max_iter=1000):
-    """
-    对率回归训练函数。
+# -*- coding:UTF-8 -*-
+from sklearn.linear_model import LogisticRegression
 
-    Args:
-    - X (numpy array): 特征数据。
-    - y (numpy array): 标签数据。
-    - max_iter (int): 最大迭代次数。
+def colicSklearn():
+    # 加载训练集和测试集
+    frTrain = open('horseColicTraining.txt')
+    frTest = open('horseColicTest.txt')
+    trainingSet = []; trainingLabels = []
+    testSet = []; testLabels = []
 
-    Returns:
-    - LogisticRegression: 训练好的模型。
-    """
-    classifier = LogisticRegression(solver='liblinear', max_iter=max_iter)
-    classifier.fit(X, y)
+    # 读取训练集数据
+    for line in frTrain.readlines():
+        currLine = line.strip().split('\t')
+        lineArr = []
+        for i in range(len(currLine)-1):
+            lineArr.append(float(currLine[i]))
+        trainingSet.append(lineArr)
+        trainingLabels.append(float(currLine[-1]))
+
+    # 读取测试集数据
+    for line in frTest.readlines():
+        currLine = line.strip().split('\t')
+        lineArr = []
+        for i in range(len(currLine)-1):
+            lineArr.append(float(currLine[i]))
+        testSet.append(lineArr)
+        testLabels.append(float(currLine[-1]))
+
+    # 训练Logistic回归分类器
+    classifier = LogisticRegression(solver='liblinear', max_iter=1000).fit(trainingSet, trainingLabels)
     return classifier
 
-def predict_logreg(inX, model):
+def predict_logreg(sample, classifier):
     """
-    对率回归预测函数。
+    函数说明:使用训练好的Logistic回归分类器预测单个样本
 
-    Args:
-    - inX (numpy array): 输入待分类的样本。
-    - model (LogisticRegression): 训练好的逻辑回归模型。
+    Parameters:
+        sample: 一个列表，包含单个样本的特征值
+        classifier: 训练好的Logistic回归分类器
 
     Returns:
-    - int: 预测的分类标签。
+        预测结果
     """
-    prediction = model.predict([inX])
-    return int(prediction[0])
-
-def load_data(filepath):
-    """
-    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**。
-
-    Args:
-    - filepath (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-    data = []
-    with open(filepath, 'r') as file:
-        for line in file:
-            currLine = line.strip().split('\t')
-            lineData = [float(x) if x != '?' else np.nan for x in currLine]
-            data.append(lineData)
-    
-    data = np.array(data)
-    X = data[:, :-1]
-    y = data[:, -1]
-    
-    # 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__":
-    # 加载训练集
-    X_train, y_train = load_data("horseColicTraining.txt")
+    prediction = classifier.predict([sample])
+    return prediction[0]
 
+if __name__ == '__main__':
     # 训练模型
-    model = train_logreg(X_train, y_train, max_iter=1000)
+    classifier = colicSklearn()
 
-    # 加载测试集，获取单个数据进行预测
-    X_test, y_test = load_data("horseColicTest.txt")
-    test_sample = X_test[0]  # 选取测试集的第一个样本
-
-    # 预测单个样本
-    y_pred = predict_logreg(test_sample, model)
-    print(f"预测结果: {y_pred}, 实际结果: {y_test[0]}")
+    # 假设我们要测试测试集中的第12个样本（索引为11，因为索引从0开始）
+    single_sample = testSet[11]  # 请确保testSet已经包含测试集的数据
+    y_pred = predict_logreg(single_sample, classifier)
+    print(f"预测结果: {y_pred}, 实际结果: {testLabels[11]}")