sy2

function.py

@@ -25,14 +25,17 @@ name = "孔祥芷"
 
 
 # 这里写自己的代码实现
-def train_logreg(X, y, numIter=1000, learning_rate=0.06, batch_size=128):
+def train_logreg(X, y, numIter=1000, learning_rate=0.06, batch_size=128, lambda_reg=0.01):
     """
-    对率回归训练函数。
+    对率回归训练函数，加入L2正则化。
 
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - other_params (str): 其它参数，可选设置。若需设置其它参数，必须设置其默认值，否则将**无法通过**自动评测，**成绩为零**。
+    - numIter (int): 迭代次数。默认为1000。
+    - learning_rate (float): 学习率。默认为0.06。
+    - batch_size (int): 批量大小。默认为128。
+    - lambda_reg (float): L2正则化参数。默认为0.01。
 
     Returns:
     - numpy array: 训练得到的权重。
@@ -54,6 +57,9 @@ def train_logreg(X, y, numIter=1000, learning_rate=0.06, batch_size=128):
             h = 1 / (1 + np.exp(-z))  # 计算h
             error = batch_y - h  # 计算误差
             gradient = np.dot(batch_X.T, error) / len(batch_y)  # 计算梯度
+            # 添加L2正则化
+            reg_term = 2 * lambda_reg * weights
+            gradient += reg_term / len(batch_y)
             weights += learning_rate * gradient  # 更新权重
 
     return weights
@@ -135,7 +141,7 @@ if __name__ == "__main__":
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")'''
     X_train, y_train = load_data("./data/horse-colic.data")
     X_test, y_test = load_data("./data/horse-colic.test")
-    weights = train_logreg(X_train, y_train, numIter=1000, learning_rate=0.01)
+    weights = train_logreg(X_train, y_train, numIter=1000, learning_rate=0.01,lambda_reg=0.2)
     error=0
     for i in range(len(y_test)):
         y_pred = predict_logreg(X_test[i], weights)