更新 function.py

function.py

@@ -17,74 +17,34 @@ from sklearn.preprocessing import StandardScaler
 - 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"
 
 
-def sigmoid(z):
+# 逻辑回归训练函数
-    """Sigmoid 激活函数。"""
-    return 1 / (1 + np.exp(-z))
-
-
 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。
-    - learning_rate (float): 学习率。
-    - iterations (int): 迭代次数。
-    - lambda_reg (float): L2正则化参数。
-
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
     m, n = X.shape
     weights = np.random.randn(n) * 0.01  # 随机初始化权重
 
-    for _ in range(iterations):
+    for i in range(iterations):
         z = np.dot(X, weights)
-        predictions = sigmoid(z)
+        predictions = 1 / (1 + np.exp(-z))  # Sigmoid 激活函数
-        gradient = np.dot(X.T, (predictions - y)) / m
+        gradient = np.dot(X.T, (predictions - y)) / m + (lambda_reg / m) * weights  # L2 正则化
-
+        weights -= learning_rate * gradient  # 更新权重
-        # L2正则化
-        gradient += (lambda_reg / m) * weights
-
-        # 更新权重
-        weights -= learning_rate * gradient
 
     return weights
 
 
+# 逻辑回归预测函数
 def predict_logreg(inX, weights):
-    """
-    对率回归预测函数。
-
-    Args:
-    - inX (numpy array): 输入待分类的样本。
-    - weights (numpy array): 训练得到的权重。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
     z = np.dot(inX, weights)
-    prediction_prob = sigmoid(z)
+    prediction_prob = 1 / (1 + np.exp(-z))  # Sigmoid 激活函数
     return 1 if prediction_prob >= 0.5 else 0
 
 
+# 从文件中加载数据
 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 = []
 
@@ -94,6 +54,13 @@ def load_data(filepath):
             try:
                 values = [float(v) for v in values]
 
+                # 跳过第3行（索引为2）和24-28行（索引为23-27）
+                if len(data) in [2, 23, 24, 25, 26, 27]:
+                    continue
+
+                # 用0填充缺失值
+                values = [0 if v == 0 else v for v in values]  # 用0填充
+                
                 # 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
@@ -102,13 +69,18 @@ def load_data(filepath):
                 else:
                     continue  # 无效标签，丢弃
 
-                # 用0填充缺失值
-                values = [0 if v == 0 else v for v in values]  # 直接用0填充
                 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)
+    data = np.array(data)
+    labels = np.array(labels)
+
+    # 数据归一化
+    scaler = StandardScaler()
+    data = scaler.fit_transform(data)
+
+    return data, labels
 
 
 if __name__ == "__main__":