更新 function.py

function.py

@@ -1,161 +1,157 @@
-# function.py
+import numpy as np
-	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
 
-	"""
+"""
-	挑战说明:
+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。
+- 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:
+注意事项:
-	- 在 function.py 中实现支持向量机算法。
+- 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。
+- 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。
+- 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:
+测评环境:
-	- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
+- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
-	- OS: Ubuntu 22.04.4 LTS
+- OS: Ubuntu 22.04.4 LTS
-	- Python: 3.10.12
+- Python: 3.10.12
-	- numpy: 2.1.1
+- 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 = "202210423206"
+name = "詹宇豪"
 
-	"""
+# 这里写自己的代码实现
-	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"
 
+# 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**。
 
-	# 这里写自己的代码实现
+    Args:
-	import numpy as np
+    - filepath (str): 数据文件路径。
-	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
+    Returns:
-	def load_data(filepath):
+    - np.array: 特征数据。
-	    """
+    - np.array: 标签数据。
-	    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**。
+    """
+    data = []
+    labels = []
     
-	    Args:
+    with open(filepath, 'r') as file:
-	    - filepath (str): 数据文件路径。
+        for line in file:
+            fields = line.strip().split()
             
-	    Returns:
+            # 处理缺失值，用0填充
-	    - np.array: 特征数据。
+            fields = [0 if f == '?' else float(f) for f in fields]
-	    - np.array: 标签数据。
-	    """
-	    data = []
-	    labels = []
             
-	    with open(filepath, 'r') as file:
+            # 标签是倒数第6列
-	        for line in file:
+            label = int(fields[-6])
-	            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)
+            features = np.array(fields[: -6] + fields[-5:], dtype=float)
             
-	            # 标签映射：将 1->0, 2->1, 3->2
+            # 标签映射：将 1->0, 2->1, 3->2
-	            if label == 1:
+            if label == 1:
-	                label = 0
+                label = 0
-	            elif label == 2:
+            elif label == 2:
-	                label = 1
+                label = 1
-	            elif label == 3:
+            elif label == 3:
-	                label = 2
+                label = 2
-	            else:
+            else:
-	                print(f"无效标签，跳过此样本：{label}")
+                print(f"无效标签，跳过此样本：{label}")
-	                continue  # 跳过无效标签
+                continue  # 跳过无效标签
             
-	            # 添加数据和标签
+            # 添加数据和标签
-	            data.append(features)
+            data.append(features)
-	            labels.append(label)
+            labels.append(label)
     
-	    # 转换为numpy数组
+    # 转换为numpy数组
-	    data = np.array(data)
+    data = np.array(data)
-	    labels = np.array(labels)
+    labels = np.array(labels)
     
-	    return data, labels
+    return data, labels
 
 
-	def train_svm(X, y, other_params=None):
+def train_svm(X, y, other_params=None):
-	    """
+    """
-	    支持向量机训练函数。
+    支持向量机训练函数。
 
-	    Args:
+    Args:
-	    - X (numpy array): 特征数据。
+    - X (numpy array): 特征数据。
-	    - y (numpy array): 标签数据。
+    - 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:
+    Returns:
-	    - SVC: 训练好的SVM模型。
+    - 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 = SVC(kernel='rbf', C=1.0, gamma='scale', random_state=42)
-	    model.fit(X, y)
+    model.fit(X, y)
     
-	    return model
+    return model
 
 
-	def predict_svm(inX, model):
+def predict_svm(inX, model):
-	    """
+    """
-	    支持向量机预测函数。
+    支持向量机预测函数。
 
-	    Args:
+    Args:
-	    - inX (numpy array): 输入待分类的样本。
+    - inX (numpy array): 输入待分类的样本。
-	    - model (SVC): 训练得到的支持向量机模型。
+    - model (SVC): 训练得到的支持向量机模型。
 
-	    Returns:
+    Returns:
-	    - int: 预测的分类标签。
+    - int: 预测的分类标签。
-	    """
+    """
-	    return model.predict(inX.reshape(1, -1))[0]
+    return model.predict(inX.reshape(1, -1))[0]
 
 
-	if __name__ == "__main__":
+if __name__ == "__main__":
-	    # 加载数据
+    # 加载数据
-	    X_train, y_train = load_data("./data/horse-colic.data")
+    X_train, y_train = load_data("./data/horse-colic.data")
-	    X_test, y_test = load_data("./data/horse-colic.test")
+    X_test, y_test = load_data("./data/horse-colic.test")
 
-	    # 划分数据集
+    # 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)
+    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
+    # 数据标准化
-	    scaler = StandardScaler()
+    scaler = StandardScaler()
-	    X_train = scaler.fit_transform(X_train)
+    X_train = scaler.fit_transform(X_train)
-	    X_test = scaler.transform(X_test)
+    X_test = scaler.transform(X_test)
 
-	    # 交叉验证评估
+    # 交叉验证评估
-	    print("正在进行交叉验证评估...")
+    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
+    # 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)
+    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')
+    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
+    # 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}")
+    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
+    # 训练支持向量机模型
-	    print("正在训练支持向量机模型...")
+    print("正在训练支持向量机模型...")
-	    svm_model.fit(X_train, y_train)
+    svm_model.fit(X_train, y_train)
 
-	    # 预测测试集
+    # 预测测试集
-	    y_pred = svm_model.predict(X_test)
+    y_pred = svm_model.predict(X_test)
 
-	    # 输出评估结果
+    # 输出评估结果
-	    print("\n分类报告:")
+    print("\n分类报告:")
-	    print(classification_report(y_test, y_pred, target_names=["存活", "安乐死", "死亡"]))
+    print(classification_report(y_test, y_pred, target_names=["存活", "安乐死", "死亡"]))
 
-	    # 输出准确率
+    # 输出准确率
-	    accuracy = accuracy_score(y_test, y_pred)
+    accuracy = accuracy_score(y_test, y_pred)
-	    print(f"测试集准确率: {accuracy * 100:.2f}%")
+    print(f"测试集准确率: {accuracy * 100:.2f}%")
 
-	    # 测试单个数据
+    # 测试单个数据
     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)
+    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]}")
+    print(f"\n单个样本预测结果: {y_pred_single}, 实际结果: {y_test[11]}")