更新 function.py

function.py

@@ -1,29 +1,7 @@
 import numpy as np
+from sklearn.preprocessing import StandardScaler
 
-"""
-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):
+def train_logreg(X, y, learning_rate=0.01, iterations=1000, lambda_reg=0.01):
     """
     对率回归训练函数。
 
@@ -32,6 +10,7 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     - 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。
+    - lambda_reg (float): L2正则化系数，默认为0.01。
 
     Returns:
     - numpy array: 训练得到的权重。
@@ -48,7 +27,7 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
             # 计算梯度
             gradient = x_i * (prediction - y_i)
             # 更新权重
-            weights -= learning_rate * gradient
+            weights -= learning_rate * (gradient + lambda_reg * weights)
     
     return weights
 
@@ -66,8 +45,6 @@ def predict_logreg(inX, weights):
     prediction = 1 / (1 + np.exp(-np.dot(inX, weights)))
     return 1 if prediction > 0.5 else 0
 
-import numpy as np
-
 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**。
@@ -86,12 +63,12 @@ def load_data(filepath):
     X = data[:, :-1]
     y = data[:, -1]
 
-    # 将缺失值填充为0
-    X[np.isnan(X)] = 0
+    # 将缺失值填充为每列的平均值
+    for i in range(X.shape[1]):
+        X[:, i] = np.where(np.isnan(X[:, i]), np.nanmean(X[:, i]), X[:, i])
 
     return X, y.astype(int)
 
-
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改
     # 加载训练集
@@ -100,6 +77,11 @@ if __name__ == "__main__":
     # 加载测试集
     X_test, y_test = load_data("./data/horse-colic.test")
 
+    # 特征缩放
+    scaler = StandardScaler()
+    X_train = scaler.fit_transform(X_train)
+    X_test = scaler.transform(X_test)
+
     # 训练对率回归模型
     weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)