更新 function.py

function.py

@@ -25,71 +25,46 @@ id = "202210423204"
 name = "陈垣豪"
 
 
-# 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。
+    """训练逻辑回归模型."""
+    n_samples, n_features = X.shape
+    weights = np.zeros(n_features + 1)  # 增加一位用于偏置
+    X = np.c_[X, np.ones((n_samples, 1))]  # 增加偏置项
 
-    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。
+    for _ in range(iterations):
+        linear_model = np.dot(X, weights)
+        # 直接使用线性模型的输出进行梯度更新
+        dw = (1 / n_samples) * np.dot(X.T, (linear_model - y))
+        weights -= learning_rate * dw
 
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
-    m, n = X.shape
-    weights = np.zeros(n)  # 初始化权重
-    for i in range(iterations):
-        z = np.dot(X, weights)
-        predictions = 1 / (1 + np.exp(-z))  # 计算sigmoid值
-        # 更新权重
-        gradient = np.dot(X.T, (predictions - y)) / m
-        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。
-    """
-    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
+    """使用线性模型预测结果."""
+    inX = np.append(inX, 1)  # 增加偏置项
+    linear_model = np.dot(inX, weights)
+    return 1 if linear_model >= 0 else 0  # 直接返回0或1
 
 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:
-    - filepath (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-    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
+    """加载数据并处理缺失值."""
+    data = np.genfromtxt(filepath, delimiter=' ', dtype=float, missing_values='?', filling_values=np.nan)
+    nan_columns = np.isnan(data)
+    mean_values = np.nanmean(data, axis=0)
+    data[nan_columns] = np.take(mean_values, np.where(nan_columns)[1])
+    X = data[:, :-1]
+    y = data[:, -1]
     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
+    
+    # 训练逻辑回归模型
     weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
 
     # 测试单个数据
+    X_test, y_test = load_data("./data/horse-colic.test")
     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]}")