更新 function.py

function.py

@@ -1,8 +1,6 @@
 # function.py
 import numpy as np  
-import sklearn
+from scipy.linalg import inv  
-from sklearn.preprocessing import StandardScaler   
-from numpy.linalg import inv, LinAlgError  
 from scipy.spatial.distance import mahalanobis
 """
 挑战说明:
@@ -39,56 +37,54 @@ name = "吴俊煯"
 - int: 预测的分类标签。
 """
 
-def preprocess_data(data, use_pca=False, pca_components=None):  
+  
+  
+def preprocess_data(data):  
     """  
-    对数据进行预处理，包括归一化和可选的降维。  
+    计算数据的均值向量和协方差矩阵的逆。  
       
     Args:  
     - data (numpy array): 输入数据集（形状应为 (m, n)）。  
-    - use_pca (bool): 是否使用PCA降维。  
-    - pca_components (int): 如果使用PCA，则指定要保留的主成分数量。  
       
     Returns:  
-    - tuple: 预处理后的数据、scaler对象和（可选的）pca对象。  
+    - tuple: 均值向量、协方差矩阵的逆。  
     """  
-    scaler = StandardScaler()  
+    mean_vec = np.mean(data, axis=0)  
-    data_scaled = scaler.fit_transform(data)  
+    cov_mat = np.cov(data, rowvar=False)  
-    mean_vec = np.mean(data_scaled, axis=0)  
-    cov_mat = np.cov(data_scaled, rowvar=False)  
     inv_cov_mat = inv(cov_mat)  
-    return data_scaled, scaler, mean_vec, inv_cov_mat
+    return mean_vec, inv_cov_mat  
-
   
-# 这里写自己的代码实现
 def classify_mahalanobis(inX, dataSet, labels, k=4):  
     """  
     使用马氏距离的KNN分类算法。  
-  
+      
     Args:  
     - inX (numpy array): 输入待分类的样本（形状应为 (1, n) 或 (n,)）。  
     - dataSet (numpy array): 训练数据集（形状应为 (m, n)）。  
     - labels (numpy array): 训练集对应的标签。  
     - k (int): 选择最近邻的个数。  
-  
+      
     Returns:  
     - int: 预测的分类标签。  
     """  
     # 预处理数据  
-    dataSet_scaled, scaler, mean_vec, inv_cov_mat = preprocess_data(dataSet)  
+    mean_vec, inv_cov_mat = preprocess_data(dataSet)  
-    inX_scaled = scaler.transform(inX.reshape(1, -1))  
+      
-  
+    # 将输入样本转换为二维数组格式以匹配dataSet的形状  
-    # 计算马氏距离  
+    inX_reshaped = inX.reshape(1, -1)  
-    distances = [mahalanobis(inX_scaled[0], dataSet_scaled[i], inv_cov_mat) for i in range(dataSet_scaled.shape[0])]  
+      
-  
+    # 计算每个训练样本与输入样本之间的马氏距离  
+    distances = [mahalanobis(inX_reshaped[0], dataSet[i], inv_cov_mat) for i in range(dataSet.shape[0])]  
+      
     # 按距离排序，并获取前k个训练样本的索引  
     k_indices = np.argsort(distances)[:k]  
-  
+      
     # 获取前k个训练样本的标签  
     k_nearest_labels = labels[k_indices]  
-  
+      
     # 找出最常见的标签  
     most_common = np.bincount(k_nearest_labels).argmax()  
-  
+      
     return most_common
 
 def load_data(file_path):