更新 function.py

function.py

@@ -9,7 +9,7 @@ from sklearn.preprocessing import StandardScaler
 注意事项:
 - 在 function.py 中实现梯度提升模型。
 - 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_gb, predict_gb 和 load_data 函数，请勿修改函数名。
+- 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
@@ -53,8 +53,8 @@ def load_data(filepath):
     return X, y
 
 
-def train_gb(X, y, learning_rate=0.1, n_estimators=200, max_depth=5):
-    """
+def train_logreg(X, y, learning_rate=0.1, n_estimators=200, max_depth=5):
+     """
     对率回归训练函数。
 
     Args:
@@ -80,7 +80,7 @@ def train_gb(X, y, learning_rate=0.1, n_estimators=200, max_depth=5):
     return gb_model, scaler
 
 
-def predict_gb(inX, model, scaler):
+def predict_logreg(inX, model, scaler):
     """
     对率回归预测函数。
 
@@ -102,8 +102,8 @@ if __name__ == "__main__":
     X_test, y_test = load_data("./data/horse-colic.test")
 
     # 训练模型
-    model, scaler = train_gb(X_train, y_train)
+    model, scaler = train_logreg(X_train, y_train)
 
     # 测试单个数据
-    y_pred = predict_gb(X_test[11], model, scaler)
+    y_pred = predict_logreg(X_test[11], model, scaler)
     print(f"预测结果: {y_pred}, 实际结果: {int(y_test[11])}")