更新 function.py

function.py

@@ -28,7 +28,24 @@ name = "董秋"
 
 
 # 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
+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:
+    - directory (str): 数据文件路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
     data = []
     labels = []
     
@@ -39,11 +56,11 @@ def load_data(filepath):
             # 处理缺失值，用0填充
             fields = [0 if f == '?' else float(f) for f in fields]
             
-            # 特征是除最后一列外的所有列
-            features = np.array(fields[:-1], dtype=float)
+            # 标签是倒数第6列
+            label = int(fields[-6])
             
-            # 标签是最后一列
-            label = int(fields[-1])
+            # 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:
@@ -61,53 +78,74 @@ def load_data(filepath):
             labels.append(label)
     
     # 转换为numpy数组
-    labels = np.array(labels)
     data = np.array(data)
-
-    # 检查标签的唯一值，确保只有 0, 1, 2
-    unique_labels = np.unique(labels)
-    
-    if len(unique_labels) != 3:
-        print(f"错误：标签数据包含的类别不是3个，实际类别为：{unique_labels}")
-        raise ValueError("标签数量不为3，请确保标签未合并！")
+    labels = np.array(labels)
     
     return data, labels
 
-def train_svm(X, y, learning_rate=0.01, iterations=1000, regularization_strength=0.01):
-    n_samples, n_features = X.shape
-    n_classes = len(np.unique(y))
-    weights = np.zeros((n_classes, n_features))
 
-    # 将标签转化为多类别（one-vs-rest）形式
-    y_one_vs_rest = np.array([[1 if y[i] == c else -1 for c in range(n_classes)] for i in range(n_samples)])
+def train_svm(X, y, other_params=None):
+    """
+    支持向量机训练函数。
 
-    for _ in range(iterations):
-        # 计算预测值
-        margins = y_one_vs_rest * (X @ weights.T)
-        mask = margins < 1
-        grad = -np.einsum('ij,ik->kj', y_one_vs_rest * mask, X) / n_samples
-        weights -= learning_rate * (grad + regularization_strength * weights)
+    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。
 
-    return weights
+    Returns:
+    - 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)
     
-def predict_svm(X, weights):
-    scores = X @ weights.T
-    return np.argmax(scores, axis=1)
+    return model
 
 
+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。
+    - 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]
 
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-    # 加载训练集
+    # 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)
+
     # 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 = train_svm(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]}")