更新 function.py

function.py

@@ -36,14 +36,9 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
-    # 使用np.genfromtxt加载数据，它可以自动处理缺失值
     data = np.genfromtxt(filepath, delimiter=',', skip_header=1, filling_values=np.nan)
     
     # 分离特征和标签
-    # 确保data不是一维数组
-    if data.ndim == 1:
-        data = data.reshape(1, -1)  # 将其转换为二维数组，如果它是一维的
-
     X = data[:, :-1]
     y = data[:, -1].flatten()  # 确保y是一维数组
 
@@ -84,11 +79,15 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     # 初始化权重
     weights = np.zeros(X.shape[1])
 
+    # 检查y是否为空
+    if len(y) == 0:
+        raise ValueError("标签数组y为空")
+
     for _ in range(iterations):
         # 计算预测值
         predictions = sigmoid(np.dot(X, weights))
         # 计算梯度
-        gradient = np.dot(X.T, (predictions - y)) / len(y)
+        gradient = np.dot(X.T, (predictions - y)) / max(len(y), 1)  # 防止除以零
         # 更新权重
         weights -= learning_rate * gradient
 
@@ -108,18 +107,3 @@ def predict_logreg(inX, weights):
     inX = np.c_[1, inX]  # 添加截距项
     prob = sigmoid(np.dot(inX, weights))
     return 1 if prob > 0.5 else 0
-
-# 移除以下测试代码，仅在本地测试时使用
-# if __name__ == "__main__":
-#     # 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
-#     weights = train_logreg(X_train, y_train)
-#
-#     # 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: {int(y_test[11])}")