更新 function.py

function.py

@@ -1,5 +1,72 @@
 import numpy as np
 
+"""
+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 = "202210423228"
+name = "黎世浩"
+
+# 这里写自己的代码实现
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
+    """
+    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，默认为0.01。
+    - iterations (int): 迭代次数，默认为1000。
+
+    Returns:
+    - numpy array: 训练得到的权重。
+    """
+    m, n = X.shape
+    weights = np.zeros(n)
+    
+    for _ in range(iterations):
+        for i in range(m):
+            x_i = X[i]
+            y_i = y[i]
+            # 计算预测值
+            prediction = 1 / (1 + np.exp(-np.dot(x_i, weights)))
+            # 计算梯度
+            gradient = x_i * (prediction - y_i)
+            # 更新权重
+            weights -= learning_rate * gradient
+    
+    return weights
+
+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。
+    """
+    prediction = 1 / (1 + np.exp(-np.dot(inX, weights)))
+    return 1 if prediction > 0.5 else 0
+
+# 这里也写自己的代码实现
 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**。
@@ -11,27 +78,22 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
-    # 使用numpy的genfromtxt函数加载数据，假设逗号为分隔符
+    data = np.loadtxt(filepath, delimiter=',')
-    # dtype=None允许numpy自动推断数据类型，filling_values=None允许缺失值存在
-    data = np.genfromtxt(filepath, delimiter=',', dtype=None, filling_values=np.nan)
-    
-    # 确保data是二维数组
-    if data.ndim == 1:
-        data = data.reshape(1, -1)
-    
-    # 将非数值列转换为数值型，非数值的转换为NaN，然后填充NaN为0
-    for i in range(data.shape[1]):
-        # 尝试将列转换为浮点数，如果失败则填充为0
-        try:
-            data[:, i] = data[:, i].astype(float)
-        except ValueError:
-            data[:, i] = np.where(np.isnan(data[:, i]), 0, data[:, i])
-    
-    # 删除包含NaN的行
-    data = data[~np.isnan(data).any(axis=1)]
-    
-    # 将数据转换为numpy数组
     X = data[:, :-1]
-    y = data[:, -1].astype(int)  # 将标签列转换为整数类型
+    y = data[:, -1]
-    
+    return X, y
-    return X, y
+
+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")
+
+    # 加载测试集
+    X_test, y_test = load_data("./data/horse-colic.test")
+
+    # 训练对率回归模型
+    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
+
+    # 测试单个数据
+    y_pred = predict_logreg(X_test[11], weights)
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")