From 4772ffc8810c1f36819537e0fb4448da25571b7a Mon Sep 17 00:00:00 2001
From: luderby <2339127037@qq.com>
Date: Tue, 5 Nov 2024 11:00:52 +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 | 176 +++++++++++++++++++++++-----------------------------
 1 file changed, 79 insertions(+), 97 deletions(-)

diff --git a/function.py b/function.py
index c373e69..67a5cd3 100644
--- a/function.py
+++ b/function.py
@@ -1,117 +1,99 @@
-# function.py
-import numpy as np
-import pandas as pd
+# function.py  
+import numpy as np  
+import pandas as pd  
 
-"""
-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。
+"""  
+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。
+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
-"""
+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  
+"""  
+
+"""  
+请在这里填写学号和姓名，不填写即成绩无效。  
+姓名请直接**填写中文**  
+例如: name = "张三"  
+"""  
+id = "20221042323"  
+name = "李顺潮"  
 
 
-"""
-请在这里填写学号和姓名，不填写即成绩无效。
-姓名请直接**填写中文**
-例如: name = "张三"
-"""
-id = "202210423223"
-name = "李顺潮"
+# 这里写自己的代码实现  
+def train_logreg(X, y, other_params=None):  
+    """  
+    对率回归训练函数。  
 
-def sigmoid(z):  
-    """Sigmoid函数，用于对率回归的预测。"""  
-    return 1 / (1 + np.exp(-z)) 
+    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。  
+    """  
+    m, n = X.shape  
+    weights = np.zeros(n)  # 初始化权重  
+    learning_rate = 0.01   # 学习率设置  
+    num_iterations = 1000   # 迭代次数  
+
+    # 对率回归的梯度下降  
+    for _ in range(num_iterations):  
+        linear_model = np.dot(X, weights)  
+        predictions = 1 / (1 + np.exp(-linear_model))  # Sigmoid函数  
+        errors = y - predictions  
+        weights += learning_rate * np.dot(X.T, errors) / m  # 更新权重  
+
+    return weights  
 
 
-# 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。
+def predict_logreg(inX, weights):  
+    """  
+    对率回归预测函数。  
 
-    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**。
+    Args:  
+    - inX (numpy array): 输入待分类的样本。  
+    - weights (numpy array): 训练得到的权重。  
 
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
-    # 初始化权重  
-    weights = np.zeros(X.shape[1])  
-    learning_rate = 0.01  
-    iterations = 1000  
-    
-    for _ in range(iterations):  
-        z = np.dot(X, weights)  
-        predictions = sigmoid(z)  
-        error = y - predictions  
-        gradient = np.dot(X.T, error)  
-        weights += learning_rate * gradient  
-    
-    return weights 
+    Returns:  
+    - int: 预测的分类标签。  
+    """  
+    linear_model = np.dot(inX, weights)  
+    predictions = 1 / (1 + np.exp(-linear_model))  # Sigmoid函数  
+    return np.round(predictions).astype(int)  # 返回0或1  
 
 
-def predict_logreg(inX, weights):
-    """
-    对率回归预测函数。
+# 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**。  
 
-    Args:
-    - inX (numpy array): 输入待分类的样本。
-    - weights (numpy array): 训练得到的权重。
+    Args:  
+    - directory (str): 数据文件路径。  
 
-    Returns:
-    - int: 预测的分类标签。
-    """
-    # 计算预测值  
-    z = np.dot(inX, weights)  
-    probability = sigmoid(z)  
-    return 1 if probability >= 0.5 else 0  
+    Returns:  
+    - np.array: 特征数据。  
+    - np.array: 标签数据。  
+    """  
+    data = pd.read_csv(filepath, header=None)  
+    # 假设最后一列是标签，其余为特征  
+    X = data.iloc[:, :-1].values  
+    y = data.iloc[:, -1].values  
 
-
-# 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**。
-
-    Args:
-    - directory (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-        # 使用pandas加载数据  
-    df = pd.read_csv(filepath, header=None)  
-    
-    # 替换缺失值和非数值数据，这里假设我们用0来填补缺失数据  
-    df.replace('?', np.nan, inplace=True)  
-    df.fillna(0, inplace=True)  
-    
-    # 将数据拆分为特征和标签  
-    X = df.iloc[:, :-1].values  # 特征  
-    y = df.iloc[:, -1].values    # 标签  
-
-    return X, y 
+    # 转换标签为数值，如果是字符串类型可以这样处理  
+    y = np.where(y == '1', 1, 0)  # 假设1表示死亡，0表示存活  
+    return X, y  
 
 
 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")  
-
-    # 训练模型  
-    weights = train_logreg(X_train, y_train)  
-    
-    # 测试单个样本的预测  
-    sample = X_train[0].reshape(1, -1)  # 取出第一行作为样本  
-    prediction = predict_logreg(sample, weights)  
-    print(f"样本预测: {prediction}")  
+    X_train, y_train = load_data("./data/horse-colic.data")