generated from LufsX/Experiment-LogReg
109 lines
2.6 KiB
Python
109 lines
2.6 KiB
Python
# function.py
|
|
import numpy as np
|
|
"""
|
|
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。
|
|
|
|
注意事项:
|
|
- 在 function.py 中实现对率回归算法。
|
|
- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
|
|
- 自动评测脚本仅会加载 train_logreg、predict_logreg 和 load_data 函数，请勿修改函数名。
|
|
|
|
测评环境:
|
|
- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
|
|
- OS: Ubuntu 22.04.4 LTS
|
|
- Python: 3.10.12
|
|
- numpy: 2.1.1
|
|
"""
|
|
|
|
|
|
"""
|
|
202210423219李燕如
|
|
"""
|
|
id = "202210423219"
|
|
name = "李燕如"
|
|
|
|
|
|
# 这里写自己的代码实现
|
|
def load_data(filepath):
|
|
"""
|
|
从文件中加载数据。
|
|
|
|
Args:
|
|
- filepath (str): 数据文件路径。
|
|
|
|
Returns:
|
|
- np.array: 特征数据。
|
|
- np.array: 标签数据。
|
|
"""
|
|
data = np.genfromtxt(filepath, delimiter=',', skip_header=1, filling_values=np.nan)
|
|
|
|
# 分离特征和标签
|
|
X = data[:, :-1]
|
|
y = data[:, -1].flatten() # 确保y是一维数组
|
|
|
|
# 删除包含NaN的行
|
|
mask = ~np.isnan(X).any(axis=1) & ~np.isnan(y)
|
|
X = X[mask]
|
|
y = y[mask]
|
|
|
|
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))
|
|
|
|
def train_logreg(X, y, learning_rate=0.01, iterations=1000):
|
|
"""
|
|
对率回归训练函数。
|
|
|
|
Args:
|
|
- X (numpy array): 特征数据。
|
|
- y (numpy array): 标签数据。
|
|
- learning_rate (float): 学习率，默认为0.01。
|
|
- iterations (int): 迭代次数，默认为1000。
|
|
|
|
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])
|
|
|
|
# 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)) / max(len(y), 1) # 防止除以零
|
|
# 更新权重
|
|
weights -= learning_rate * gradient
|
|
|
|
return weights
|
|
|
|
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 |