generated from LufsX/Experiment-LogReg
69 lines
2.1 KiB
Python
69 lines
2.1 KiB
Python
import numpy as np
|
|
from sklearn.preprocessing import StandardScaler
|
|
from sklearn.linear_model import LogisticRegression
|
|
|
|
"""
|
|
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。
|
|
|
|
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。
|
|
"""
|
|
id = "202210423221"
|
|
name = "廖子豪"
|
|
|
|
def load_data(filepath):
|
|
# 使用 numpy 的 genfromtxt 函数加载数据，自动处理缺失值
|
|
data = np.genfromtxt(filepath, delimiter=' ', missing_values='?', filling_values=0)
|
|
labels = data[:, -1].astype(int)
|
|
features = data[:, :-1]
|
|
|
|
# 将标签转换为二分类问题
|
|
labels = np.where((labels == 2) | (labels == 3), 1, 0)
|
|
|
|
# 删除不相关特征（如果需要）
|
|
# features = np.delete(features, [2] + list(range(23, 28)), axis=1)
|
|
|
|
# 数据标准化
|
|
scaler = StandardScaler()
|
|
features = scaler.fit_transform(features)
|
|
|
|
return features, labels
|
|
|
|
def train_logreg(X, y, random_state=42):
|
|
# 创建逻辑回归模型，使用liblinear求解器
|
|
model = LogisticRegression(solver='liblinear', random_state=random_state)
|
|
model.fit(X, y)
|
|
return model
|
|
|
|
def predict_logreg(inX, model):
|
|
# 使用模型进行预测
|
|
return int(model.predict([inX])[0])
|
|
|
|
# 示例使用
|
|
if __name__ == "__main__":
|
|
# 加载训练数据和测试数据
|
|
X_train, y_train = load_data("./data/horse-colic.data")
|
|
X_test, y_test = load_data("./data/horse-colic.test")
|
|
|
|
# 训练模型
|
|
model = train_logreg(X_train, y_train, random_state=42)
|
|
|
|
# 进行预测
|
|
y_pred = [predict_logreg(x, model) for x in X_test]
|
|
|
|
# 计算准确率
|
|
accuracy = np.mean(y_pred == y_test)
|
|
print(f"Test Accuracy: {accuracy:.2f}") |