import numpy as np  
from sklearn.preprocessing import StandardScaler  
  
# 填写学号和姓名  
id = "20221042323"  
name = "李顺潮"  
  
def train_logreg(X, y, other_params="你自己设置一些其它参数", learning_rate=0.01, num_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。  
    - other_params (str): 其它参数，这里暂未使用。  
    - learning_rate (float): 学习率。  
    - num_iterations (int): 迭代次数。  
  
    Returns:  
    - numpy array: 训练得到的权重。  
    """  
    # 添加偏置项  
    X_b = np.c_[np.ones((X.shape[0], 1)), X]  # 添加一列1作为偏置项  
    m, n = X_b.shape  
    weights = np.zeros(n)  
  
    # 梯度下降  
    for iteration in range(num_iterations):  
        y_pred_prob = 1 / (1 + np.exp(-np.dot(X_b, weights)))  
        dw = (1 / m) * np.dot(X_b.T, (y_pred_prob - y))  
        weights -= learning_rate * dw  
      
    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。  
    """  
    # 添加偏置项  
    inX_b = np.c_[1, inX]  
    y_pred_prob = 1 / (1 + np.exp(-np.dot(inX_b, weights)))  
    return 1 if y_pred_prob > 0.5 else 0  
  
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.loadtxt(filepath, delimiter=",")  
    X = data[:, :-1]  # 特征  
    y = data[:, -1]   # 标签，转换为0和1  
    y = np.where(y == 2, 1, 0)  # 将标签2转换为1，其他（1和3，这里只有1）转换为0  
    return X, y  
  
if __name__ == "__main__":  
    # 加载训练集  
    X_train, y_train = load_data("./data/horse-colic.data")  
      
    # 数据标准化  
    scaler = StandardScaler()  
    X_train_scaled = scaler.fit_transform(X_train)  
      
    # 训练模型  
    weights = train_logreg(X_train_scaled, y_train)  
      
    # 测试预测（这里示例性地选择一个样本进行预测）  
    sample_index = 0  # 选择第一个样本进行预测  
    y_pred = predict_logreg(X_train_scaled[sample_index], weights)  
    print(f"预测结果: {y_pred}, 实际结果: {y_train[sample_index]}")