更新 function.py

function.py

@@ -1,85 +1,161 @@
 # function.py
-import numpy as np
+	import numpy as np
 	
-"""
-挑战说明:
-- 自行编写实现数据加载与预测病马死亡的支持向量机算法。
+	"""
+	挑战说明:
+	- 自行编写实现数据加载与预测病马死亡的支持向量机算法。
 	
-注意事项:
-- 在 function.py 中实现支持向量机算法。
-- 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_svm、predict_svm 和 load_data 函数，请勿修改函数名。
+	注意事项:
+	- 在 function.py 中实现支持向量机算法。
+	- 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_svm、predict_svm 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
-"""
+	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"
+	"""
+	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 = "202210423206"
+	name = "詹宇豪"
 	
 	
-# 这里写自己的代码实现
-def train_svm(X, y, other_params="你自己设置一些其它参数"):
+	# 这里写自己的代码实现
+	import numpy as np
+	from sklearn.svm import SVC
+	from sklearn.model_selection import train_test_split, cross_val_score
+	from sklearn.metrics import classification_report, accuracy_score
+	from sklearn.preprocessing import StandardScaler
+	
+	# 数据加载函数
+	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 = []
+	    labels = []
+	    
+	    with open(filepath, 'r') as file:
+	        for line in file:
+	            fields = line.strip().split()
+	            
+	            # 处理缺失值，用0填充
+	            fields = [0 if f == '?' else float(f) for f in fields]
+	            
+	            # 标签是倒数第6列
+	            label = int(fields[-6])
+	            
+            # 特征为其他列（不包含倒数第6列标签）
+	            features = np.array(fields[: -6] + fields[-5:], dtype=float)
+	            
+	            # 标签映射：将 1->0, 2->1, 3->2
+	            if label == 1:
+	                label = 0
+	            elif label == 2:
+	                label = 1
+	            elif label == 3:
+	                label = 2
+	            else:
+	                print(f"无效标签，跳过此样本：{label}")
+	                continue  # 跳过无效标签
+	            
+	            # 添加数据和标签
+	            data.append(features)
+	            labels.append(label)
+	    
+	    # 转换为numpy数组
+	    data = np.array(data)
+	    labels = np.array(labels)
+	    
+	    return data, labels
+	
+	
+	def train_svm(X, y, other_params=None):
 	    """
 	    支持向量机训练函数。
 	
 	    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**。
+	    - 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。
+	    - SVC: 训练好的SVM模型。
 	    """
+    # 使用高斯核（RBF核）训练SVM
+	    model = SVC(kernel='rbf', C=1.0, gamma='scale', random_state=42)
+	    model.fit(X, y)
+	    
+	    return model
 	
 	
-def predict_svm(inX, weights):
+	def predict_svm(inX, model):
 	    """
 	    支持向量机预测函数。
 	
 	    Args:
 	    - inX (numpy array): 输入待分类的样本。
-    - weights (numpy array): 训练得到的权重。
+	    - model (SVC): 训练得到的支持向量机模型。
 	
 	    Returns:
 	    - int: 预测的分类标签。
 	    """
+	    return model.predict(inX.reshape(1, -1))[0]
 	
 	
-# 这里也写自己的代码实现
-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:
-    - directory (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-
-
-if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-    # 加载训练集
+	if __name__ == "__main__":
+	    # 加载数据
 	    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")
 	
+	    # 划分数据集
+	    X_train, X_test, y_train, y_test = train_test_split(X_train, y_train, test_size=0.2, random_state=42, stratify=y_train)
+	
+	    # 数据标准化
+	    scaler = StandardScaler()
+	    X_train = scaler.fit_transform(X_train)
+	    X_test = scaler.transform(X_test)
+	
+	    # 交叉验证评估
+	    print("正在进行交叉验证评估...")
+	
+	    # 使用交叉验证计算准确率，设置10折交叉验证
+	    svm_model = SVC(kernel='rbf', C=1.0, gamma='scale', random_state=41)
+	    cv_scores = cross_val_score(svm_model, X_train, y_train, cv=10, scoring='accuracy')
+	
+	    # 输出交叉验证的准确率
+	    print(f"交叉验证准确率: {cv_scores.mean():.4f} ± {cv_scores.std():.4f}")
+	
 	    # 训练支持向量机模型
-    weights = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)
+	    print("正在训练支持向量机模型...")
+	    svm_model.fit(X_train, y_train)
+	
+	    # 预测测试集
+	    y_pred = svm_model.predict(X_test)
+	
+	    # 输出评估结果
+	    print("\n分类报告:")
+	    print(classification_report(y_test, y_pred, target_names=["存活", "安乐死", "死亡"]))
+	
+	    # 输出准确率
+	    accuracy = accuracy_score(y_test, y_pred)
+	    print(f"测试集准确率: {accuracy * 100:.2f}%")
 	
 	    # 测试单个数据
-    y_pred = predict_svm(X_test[11], weights)
-    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+    test_sample = X_test[11]  # 选择第12个样本（从0开始计数）
+	    y_pred_single = predict_svm(test_sample, svm_model)
+	    print(f"\n单个样本预测结果: {y_pred_single}, 实际结果: {y_test[11]}")