更新 function.py

function.py

@@ -18,22 +18,17 @@ import pandas as pd
 - 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 = "202210423223"
+id = "20221042323"  
 name = "李顺潮"  
 
-def sigmoid(z):  
-    """Sigmoid函数，用于对率回归的预测。"""  
-    return 1 / (1 + np.exp(-z)) 
-
 
 # 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"):
+def train_logreg(X, y, other_params=None):  
     """  
     对率回归训练函数。  
 
@@ -45,17 +40,17 @@ def train_logreg(X, y, other_params="你自己设置一些其它参数"):
     Returns:  
     - numpy array: 训练得到的权重。  
     """  
-    # 初始化权重  
+    m, n = X.shape  
-    weights = np.zeros(X.shape[1])  
+    weights = np.zeros(n)  # 初始化权重  
-    learning_rate = 0.01  
+    learning_rate = 0.01   # 学习率设置  
-    iterations = 1000  
+    num_iterations = 1000   # 迭代次数  
 
-    for _ in range(iterations):  
+    # 对率回归的梯度下降  
-        z = np.dot(X, weights)  
+    for _ in range(num_iterations):  
-        predictions = sigmoid(z)  
+        linear_model = np.dot(X, weights)  
-        error = y - predictions  
+        predictions = 1 / (1 + np.exp(-linear_model))  # Sigmoid函数  
-        gradient = np.dot(X.T, error)  
+        errors = y - predictions  
-        weights += learning_rate * gradient  
+        weights += learning_rate * np.dot(X.T, errors) / m  # 更新权重  
 
     return weights  
 
@@ -71,10 +66,9 @@ def predict_logreg(inX, weights):
     Returns:  
     - int: 预测的分类标签。  
     """  
-    # 计算预测值  
+    linear_model = np.dot(inX, weights)  
-    z = np.dot(inX, weights)  
+    predictions = 1 / (1 + np.exp(-linear_model))  # Sigmoid函数  
-    probability = sigmoid(z)  
+    return np.round(predictions).astype(int)  # 返回0或1  
-    return 1 if probability >= 0.5 else 0  
 
 
 # 这里也写自己的代码实现  
@@ -89,17 +83,13 @@ def load_data(filepath):
     - np.array: 特征数据。  
     - np.array: 标签数据。  
     """  
-        # 使用pandas加载数据  
+    data = pd.read_csv(filepath, header=None)  
-    df = 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  
-    # 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  
+    y = data.iloc[:, -1].values  
-    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  
 
+    # 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  
 
 
@@ -107,11 +97,3 @@ 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}")