更新 function.py

function.py

@@ -1,6 +1,6 @@
 # function.py
 import numpy as np
-
+from scipy.optimize import minimize
 """
 实验说明:
 - 自行编写实现数据加载与预测病马死亡的对率回归算法。
@@ -19,10 +19,10 @@ import numpy as np
 
 
 """
-请在这里填写学号和姓名，不填写即成绩无效。
+202210423219李燕如
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423219"
+name = "李燕如"
 
 
 # 这里写自己的代码实现
@@ -30,15 +30,28 @@ def train_logreg(X, y, other_params="你自己设置一些其它参数"):
     """
     对率回归训练函数。
 
-    Args:
-    - X (numpy array): 特征数据。
+    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**。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
-
+# 添加截距项
+    X = np.c_[np.ones(X.shape[0]), X]
+    # 初始化权重
+    weights = np.zeros(X.shape[1])
+    # 定义损失函数
+    def loss(w):
+        predictions = sigmoid(np.dot(X, w))
+        return -np.mean(y * np.log(predictions) + (1 - y) * np.log(1 - predictions))
+    # 定义梯度函数
+    def gradient(w):
+        predictions = sigmoid(np.dot(X, w))
+        return np.dot(X.T, (predictions - y)) / len(y)
+    # 使用BFGS算法优化
+    result = fmin_bfgs(loss, weights, fprime=gradient, maxiter=iterations)
+    return result
 
 def predict_logreg(inX, weights):
     """
@@ -51,6 +64,9 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
+inX = np.c_[1, inX]  # 添加截距项
+    prob = sigmoid(np.dot(inX, weights))
+    return 1 if prob > 0.5 else 0
 
 
 # 这里也写自己的代码实现
@@ -65,7 +81,21 @@ def load_data(filepath):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+data = np.loadtxt(filepath, delimiter=',', skiprows=1)
+    X = data[:, :-1]
+    y = data[:, -1]
+    return X, y
+def sigmoid(z):
+    """
+    Sigmoid函数。
 
+    Args:
+    - z (numpy array): 输入值。
+
+    Returns:
+    - numpy array: Sigmoid函数的输出值。
+    """
+    return 1 / (1 + np.exp(-z))
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改
@@ -81,3 +111,4 @@ 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]}")
+