更新 function.py

function.py

@@ -1,4 +1,3 @@
-# function.py
 import numpy as np
 import pandas as pd
 from sklearn.preprocessing import StandardScaler
@@ -8,36 +7,20 @@ from sklearn.model_selection import train_test_split
 """
 实验说明:
 - 自行编写实现数据加载与预测病马死亡的对率回归算法。
-
-注意事项:
-- 在 function.py 中实现对率回归算法。
-- 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_logreg、predict_logreg 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
-- OS: Ubuntu 22.04.4 LTS
-- Python: 3.10.12
-- numpy: 2.1.1
 """
 
-
-"""
-请在这里填写学号和姓名，不填写即成绩无效。
-"""
 id = "202210423130"
 name = "董秋"
 
 
 # 这里写自己的代码实现
-def train_logreg(X, y, learning_rate=0.01, iterations=1000,lambda_reg=0.01):
+def train_logreg(X, y, learning_rate=0.01, iterations=1000, lambda_reg=0.01):
     """
     对率回归训练函数。
 
     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*。
 
     Returns:
     - numpy array: 训练得到的权重。
@@ -73,7 +56,7 @@ def predict_logreg(inX, weights):
     prediction_prob = 1 / (1 + np.exp(-z))
     return 1 if prediction_prob >= 0.5 else 0
 
-# 这里也写自己的代码实现
+
 def load_data(filepath):
     data = []
     labels = []
@@ -83,13 +66,23 @@ def load_data(filepath):
             values = line.strip().replace('?', '0').split()
             try:
                 values = [float(v) for v in values]
-                data.append(values[:-1])  # 特征
+                
-                labels.append(values[-1])  # 标签
+                # 合并特征23的取值
+                if values[22] == 2 or values[22] == 3:  # 特征23（索引22）
+                    labels.append(0)  # 死亡
+                elif values[22] == 1:
+                    labels.append(1)  # 生存
+                else:
+                    continue  # 无效标签，丢弃
+                
+                # 去掉特征3（索引2）和特征24~28（索引23-27）
+                data.append(values[:2] + values[3:23])  # 保留特征1, 2 和特征4-23
             except ValueError:
                 continue
 
     return np.array(data), np.array(labels)
 
+
 def preprocess_data(X):
     # 特征标准化
     scaler = StandardScaler()
@@ -107,8 +100,7 @@ if __name__ == "__main__":
     X_test = preprocess_data(X_test)
 
     # 训练对率回归模型
-    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000,lambda_reg=0.01)
+    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000, lambda_reg=0.01)
-    X_train, X_test, y_train, y_test = train_test_split(X_train, y_train, test_size=0.2, random_state=42)
 
     # 测试单个数据
     y_pred = predict_logreg(X_test[11], weights)