From e96a20408d0bd3b2a5fc22e7f93f01cb698a5d92 Mon Sep 17 00:00:00 2001
From: heart20003 <1789588961@qq.com>
Date: Thu, 24 Oct 2024 17:04:17 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 21 +++++++++++++++++++--
 1 file changed, 19 insertions(+), 2 deletions(-)

diff --git a/function.py b/function.py
index 409b1ac..96be51b 100644
--- a/function.py
+++ b/function.py
@@ -21,8 +21,8 @@ import numpy as np
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423204"
+name = "陈垣豪"
 
 
 # 这里写自己的代码实现
@@ -38,6 +38,17 @@ def train_logreg(X, y, other_params="你自己设置一些其它参数"):
     Returns:
     - numpy array: 训练得到的权重。
     """
+    m, n = X.shape  # m: 样本数, n: 特征数
+    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
+        # 更新权重
+        weights += learning_rate * (1/m) * np.dot(X.T, (y - predictions))
+
+    return weights
 
 
 def predict_logreg(inX, weights):
@@ -51,6 +62,8 @@ 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
 
 
 # 这里也写自己的代码实现
@@ -65,6 +78,10 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    data = np.loadtxt(filepath, delimiter=',', dtype=float, skiprows=1)
+    X = data[:, :-1]  # 所有列，除了最后一列
+    y = data[:, -1]   # 最后一列作为标签
+    return X, y
 
 
 if __name__ == "__main__":