import numpy as np
import pandas as pd

id = "202210423223"
name = "李顺潮"

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:
    - filepath (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
    data = pd.read_csv(filepath, header=None)
    # 假设最后一列是标签，其余是特征
    X = data.iloc[:, :-1].values
    y = data.iloc[:, -1].values
    return X, y

def sigmoid(z):
    """
    Sigmoid 函数，用于对率回归的激活函数。

    Args:
    - z (numpy array): 输入值。

    Returns:
    - numpy array: Sigmoid 函数输出。
    """
    return 1 / (1 + np.exp(-z))

def train_logreg(X, y, other_params=None):
    """
    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。
    """
    m, n = X.shape
    weights = np.zeros(n)  # 初始化权重
    learning_rate = 0.01
    num_iterations = 1000

    for _ in range(num_iterations):
        z = np.dot(X, weights)
        predictions = sigmoid(z)
        # 计算梯度
        gradient = np.dot(X.T, (predictions - y)) / m
        # 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。
    """
    z = np.dot(inX, weights)
    probability = sigmoid(z)
    return 1 if probability >= 0.5 else 0

if __name__ == "__main__":
    # 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)
    # 测试预测
    sample_index = 0  # 选择一个样本进行测试
    y_pred = predict_logreg(X_train[sample_index], weights)
    print(f"预测结果: {y_pred}, 实际结果: {y_train[sample_index]}")