11

function.py

@@ -21,24 +21,48 @@ import numpy as np
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423221"
+name = "廖子豪"
 
 
 # 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 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=',', skiprows=1)
+    X, y = data[:, :-1], data[:, -1]
+    return X, y
+
+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。
-    - 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**。
+    - 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。
     """
-
+    m, n = X.shape
+    weights = np.zeros(n)
+    for _ in range(iterations):
+        for i in range(m):
+            z = np.dot(X[i], weights)
+            y_pred = 1 / (1 + np.exp(-z))
+            weights -= learning_rate * (y[i] - y_pred) * X[i]
+    return weights
 
 def predict_logreg(inX, weights):
     """
@@ -51,24 +75,11 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
-
-
-# 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。
-    """
-
+    z = np.dot(inX, weights)
+    y_pred = 1 / (1 + np.exp(-z))
+    return 1 if y_pred > 0.5 else 0
 
 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")