From 84ca358069ff22418e927bbb9f9fb0a2ddbf7476 Mon Sep 17 00:00:00 2001
From: mogu-king <1547976000@qq.com>
Date: Sun, 3 Nov 2024 04:08:15 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 65 +++++++++++++++++++++++++++++------------------------
 1 file changed, 36 insertions(+), 29 deletions(-)

diff --git a/function.py b/function.py
index 409b1ac..6b87d42 100644
--- a/function.py
+++ b/function.py
@@ -1,4 +1,3 @@
-# function.py
 import numpy as np
 
 """
@@ -9,37 +8,58 @@ import numpy as np
 - 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 = "202210423xxx"
-name = "test_name"
+id = "202210423208"
+name = "刘义天"
 
 
-# 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"):
+# 这里实现数据加载函数
+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:
+    - X (numpy array): 特征数据
+    - y (numpy array): 标签数据
+    """
+    data = np.loadtxt(filepath, delimiter=",")
+    X = data[:, :-1]
+    y = data[:, -1]
+    return X, y
+
+
+# 这里实现对率回归训练函数
+def train_logreg(X, y, learning_rate=0.01, num_iterations=1000, regularization_strength=0.01):
     """
     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。
+    - num_iterations (int): 迭代次数。
+    - regularization_strength (float): 正则化强度。
 
     Returns:
-    - numpy array: 训练得到的权重。
+    - weights (numpy array): 训练得到的权重。
     """
+    m, n = X.shape
+    weights = np.zeros(n)
+    for _ in range(num_iterations):
+        predictions = 1 / (1 + np.exp(-np.dot(X, weights)))
+        gradient = (1 / m) * np.dot(X.T, (predictions - y)) + regularization_strength * weights
+        weights -= learning_rate * gradient
+    return weights
 
 
+# 这里实现对率回归预测函数
 def predict_logreg(inX, weights):
     """
     对率回归预测函数。
@@ -51,21 +71,8 @@ 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。
-    """
-
+    probability = 1 / (1 + np.exp(-np.dot(inX, weights)))
+    return 1 if probability >= 0.5 else 0
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改