更新 function.py

function.py

@@ -27,8 +27,7 @@ id = "202210423210"
 name = "陈宇杰"
 
 
-# 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"):
+def train_svm(X, y):
     """
     支持向量机训练函数。
 
@@ -40,20 +39,46 @@ def train_svm(X, y, other_params="你自己设置一些其它参数"):
     Returns:
     - numpy array: 训练得到的权重。
     """
+    # 初始化 SVM 模型列表
+    models = []
+
+    # 训练第一个 SVM，用于分类类别 1 和 (2, 3)
+    y1 = np.where(y == 1, 1, -1)  # 标签转换
+    model1 = svm.SVC(C=0.1, kernel='linear', gamma='scale', max_iter=200)
+    model1.fit(X, y1)
+    models.append(model1)
+
+    # 筛选类别 2 和 3 的数据
+    X23 = X[y != 1]
+    y23 = y[y != 1]
+    y23 = np.where(y23 == 2, 1, -1)  # 标签转换
+
+    # 训练第二个 SVM，用于分类类别 2 和 3
+    model2 = svm.SVC(C=0.1, kernel='linear', gamma='scale', max_iter=150)
+    model2.fit(X23, y23)
+    models.append(model2)
+
+    return models
 
 
-def predict_svm(inX, weights):
+def predict_svm(inX, models):
     """
     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。
+    - models (numpy array): 训练得到的权重。
 
     Returns:
     - int: 预测的分类标签。
     """
+    # 使用第一个模型区分类别 1 和 (2, 3)
+    if models[0].predict(inX.reshape(1, -1))[0] == 1:
         return 1
+    else:
+        # 使用第二个模型区分类别 2 和 3
+        return 2 if models[1].predict(inX.reshape(1, -1))[0] == 1 else 3
+
 
 # 这里也写自己的代码实现
 def load_data(filepath):
@@ -67,6 +92,19 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    # 使用 np.genfromtxt 加载数据，处理缺失值 '?' 为 -1
+    data = np.genfromtxt(filepath, delimiter=" ", missing_values="?", filling_values=0)
+
+    # 分离特征标签
+    labels = data[:, 22].astype(int)
+    # 删除无用特征
+    data = np.delete(data, [2] + list(range(22, 28)), axis=1)
+
+    # 数据标准化
+    scaler = StandardScaler()
+    data = scaler.fit_transform(data)
+
+    return data, labels
 
 
 if __name__ == "__main__":
@@ -77,9 +115,17 @@ if __name__ == "__main__":
     # 加载测试集
     X_test, y_test = load_data("./data/horse-colic.test")
 
-    # 训练支持向量机模型
-    weights = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)
+    weights = train_svm(X_train, y_train)
 
-    # 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]}")
+    # 评估模型准确率
+    correct = 0
+    for i in range(X_test.shape[0]):
+        pred = predict_svm(X_test[i], weights)
+        if pred == y_test[i]:
+            correct += 1
+        # else:
+        #     print(f"{i+1}: P: {pred} A: {y_test[i]}")
+
+    # 准确率
+    acc = correct / X_test.shape[0]
+    print(f"Accuracy: {acc}")