更新 function.py

function.py

@@ -33,22 +33,20 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - learning_rate (float): 学习率，默认值为0.01。
-    - iterations (int): 迭代次数，默认值为1000。
+    - learning_rate (float): 学习率。
+    - iterations (int): 迭代次数。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
-    m, n = X.shape  # m: 样本数, n: 特征数
+    m, n = X.shape
     weights = np.zeros(n)  # 初始化权重
-
-    # 训练逻辑回归模型
-    for _ in range(iterations):
-        z = np.dot(X, weights)  # 线性组合
-        predictions = 1 / (1 + np.exp(-z))  # 计算预测值，直接使用 sigmoid 公式
+    for i in range(iterations):
+        z = np.dot(X, weights)
+        predictions = 1 / (1 + np.exp(-z))  # 计算sigmoid值
         # 更新权重
-        weights += learning_rate * (1/m) * np.dot(X.T, (y - predictions))
-
+        gradient = np.dot(X.T, (predictions - y)) / m
+        weights -= learning_rate * gradient
     return weights
 
 def predict_logreg(inX, weights):
@@ -62,8 +60,8 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
-    prob = 1 / (1 + np.exp(-np.dot(inX, weights)))  # 直接使用 sigmoid 公式计算概率
-    return 1 if prob >= 0.5 else 0  # 根据阈值返回标签
+    prob = 1 / (1 + np.exp(-np.dot(inX, weights)))  # 计算sigmoid值
+    return 1 if prob >= 0.5 else 0  # 阈值为0.5
 
 def load_data(filepath):
     """
@@ -76,22 +74,9 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
-    data = np.genfromtxt(filepath, delimiter=',', dtype=float, skip_header=1, 
-                         filling_values=np.nan,  # 用 NaN 填充缺失值
-                         missing_values='?')     # 将问号识别为缺失值
-
-    # 检查数据的形状
-    print("Data shape:", data.shape)
-
-    # 检查是否为一维数组
-    if data.ndim == 1:
-        # 如果是一维数组，假设最后一列为标签，前面的部分作为特征
-        X = data[:-1].reshape(-1, 1)  # 变为二维数组，确保有一个特征维度
-        y = data[-1]  # 只有一个标签
-    else:
-        X = data[:, :-1]  # 所有列，除了最后一列
-        y = data[:, -1]   # 最后一列作为标签
-
+    data = np.loadtxt(filepath, delimiter=',')  # 假设数据是以逗号分隔的
+    X = data[:, :-1]  # 特征数据
+    y = data[:, -1]   # 标签数据
     return X, y
 
 if __name__ == "__main__":
@@ -107,4 +92,4 @@ if __name__ == "__main__":
 
     # 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]}")
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")