更新 function.py

function.py

@@ -9,7 +9,7 @@ name = "董秋"
 
 def train_logreg(X, y, learning_rate=0.01, iterations=1500, lambda_reg=0.01):
     """
-    对率回归训练函数。
+    逻辑回归训练函数。
 
     Args:
     - X (numpy array): 特征数据。
@@ -22,6 +22,13 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1500, lambda_reg=0.01):
     weights = np.zeros(n)
 
     for i in range(iterations):
+        # 每100次迭代后随机打乱数据
+        if i % 100 == 0:
+            indices = np.arange(m)
+            np.random.shuffle(indices)
+            X = X[indices]
+            y = y[indices]
+
         z = np.dot(X, weights)
         predictions = 1 / (1 + np.exp(-z))
         gradient = np.dot(X.T, (predictions - y)) / m
@@ -32,14 +39,15 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1500, lambda_reg=0.01):
         # 更新权重
         weights -= learning_rate * gradient
 
-        # 动态调整学习率
-        learning_rate *= 0.99  # 每次迭代将学习率乘以0.99
+        # 每100次迭代后衰减学习率
+        if i % 100 == 0 and i > 0:  # 确保不在第一次迭代后衰减学习率
+            learning_rate *= 0.99  # 每次100次迭代将学习率乘以0.99
 
     return weights
 
 def predict_logreg(inX, weights):
     """
-    对率回归预测函数。
+    逻辑回归预测函数。
 
     Args:
     - inX (numpy array): 输入待分类的样本。
@@ -84,9 +92,7 @@ def preprocess_data(X):
     X_poly = poly.fit_transform(X_scaled)
 
     # 例如，可以对某个特征进行分箱处理
-    # 假设 X_scaled[:, 0] 是一个连续特征，比如年龄
     age_bins = pd.cut(X_scaled[:, 0], bins=[0, 30, 60, 100], labels=["年轻", "中年", "老年"])
-    # 将分箱结果转换为独热编码
     age_dummies = pd.get_dummies(age_bins, drop_first=True)
 
     # 将独热编码的结果与原特征组合