From ed33cc1fc28b47059bbf1707c3c8fe48562c3925 Mon Sep 17 00:00:00 2001
From: llll <2992513220@qq.com>
Date: Thu, 31 Oct 2024 23:12:27 +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 | 102 ++++++++++++++++++++++++++--------------------------
 1 file changed, 52 insertions(+), 50 deletions(-)

diff --git a/function.py b/function.py
index eec828e..532df55 100644
--- a/function.py
+++ b/function.py
@@ -26,65 +26,22 @@ name = "李燕如"
 
 
 # 这里写自己的代码实现
-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。
-    - 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):
-    """
-    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。
-    """
-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
 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**。
+    从文件中加载数据。
 
     Args:
-    - directory (str): 数据文件路径。
+    - 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=',', skiprows=1)
+    data = np.loadtxt(filepath, delimiter=',', skiprows=1)
     X = data[:, :-1]
     y = data[:, -1]
     return X, y
+
 def sigmoid(z):
     """
     Sigmoid函数。
@@ -97,8 +54,53 @@ def sigmoid(z):
     """
     return 1 / (1 + np.exp(-z))
 
+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。
+    - 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。
+
+    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minimize函数优化
+    result = minimize(loss, weights, method='BFGS', jac=gradient)
+    return result.x
+
+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。
+    """
+    inX = np.c_[1, inX]  # 添加截距项
+    prob = sigmoid(np.dot(inX, weights))
+    return 1 if prob > 0.5 else 0
+
 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")
 
@@ -106,9 +108,9 @@ if __name__ == "__main__":
     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, learning_rate=0.01, iterations=1000)
+    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: {y_test[11]}")
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}"