更新 function.py

function.py

@@ -1,4 +1,3 @@
-# function.py
 import numpy as np
 
 """
@@ -6,9 +5,9 @@ import numpy as np
 - 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。
+- 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
@@ -23,25 +22,41 @@ import numpy as np
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423117"
+name = "程悦"
 
 
-# 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"):
+# 支持向量机训练函数
+def train_svm(X, y, learning_rate=0.001, iterations=1000):
     """
     支持向量机训练函数。
 
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
+    - learning_rate (float): 学习率，用于控制每次迭代更新的步长。
+    - iterations (int): 迭代次数，即训练过程循环的次数。
     - 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。
     """
+    n_samples, n_features = X.shape
+    weights = np.zeros(n_features)
+    bias = 0
+
+    for _ in range(iterations):
+        for i in range(n_samples):
+            if y[i] * (np.dot(X[i], weights) + bias) <= 1:
+                weights = weights - learning_rate * (weights - y[i] * X[i])
+                bias = bias - learning_rate * y[i]
+            else:
+                weights = weights - learning_rate * weights
+
+    return weights
 
 
+# 支持向量机预测函数
 def predict_svm(inX, weights):
     """
     支持向量机预测函数。
@@ -53,33 +68,48 @@ def predict_svm(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
+    prediction = np.sign(np.dot(inX, weights))
+    return prediction
 
 
-# 这里也写自己的代码实现
+# 从文件中加载数据函数
 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**。
+    data, labels = [], []
+    with open(filepath, 'r') as f:
+        for line in f.readlines():
+            line = line.strip().split()
+            if len(line) >= 1 and line[-1].isdigit():
+                line_data = [1] + [0 if x == '?' else float(x) for x in line[:-1]]
+                data.append(line_data)
+                labels.append(int(line[-1]))
 
-    Args:
-    - directory (str): 数据文件路径。
+    data = np.array(data)
+    labels = np.array(labels)
 
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
+    target_variable = labels
+    target_variable[(target_variable == 2) | (target_variable == 3)] = 0
+
+    data = np.delete(data, [2] + list(range(23, 28)), axis=1)
+
+
+    return data, target_variable
 
 
 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("./horse-colic.data")
 
     # 加载测试集
-    X_test, y_test = load_data("./data/horse-colic.test")
+    X_test, y_test = load_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)
 
-    # 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]}")
+    # 预测测试集所有数据
+    y_pred_all = [predict_svm(x, weights) for x in X_test]
+
+    # 计算准确率
+    accuracy = np.mean(y_pred_all == y_test)
+
+    print(f"预测准确率: {accuracy}")