更新 function.py

function.py

@@ -3,12 +3,12 @@ import numpy as np
 
 """
 挑战说明:
-- 自行编写实现数据加载与预测病马死亡的支持向量机算法。
+- 自行编写实现数据加载与预测病马死亡的支持向量机算法。 
 
 注意事项:
 - 在 function.py 中实现支持向量机算法。
 - 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_svm、predict_svm 和 load_data 函数，请勿修改函数名。
+- 自动评测脚本仅会加载 train_svm、predict_svm 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
@@ -17,42 +17,64 @@ import numpy as np
 - numpy: 2.1.1
 """
 
-
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423217"
+name = "吴俊煯"
 
 
 # 这里写自己的代码实现
-def train_svm(X, y, other_params="你自己设置一些其它参数"):
+def train_svm(X, y, learning_rate=0.01, iterations=1000):
     """
     支持向量机训练函数。
 
     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。
+    - iterations (int): 迭代次数。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
+    n_samples, n_features = X.shape
+    # 初始化权重和偏置
+    weights = np.zeros(n_features)
+    bias = 0
+
+    # 训练过程
+    for _ in range(iterations):
+        for idx, x_i in enumerate(X):
+            # 计算预测值
+            linear_output = np.dot(x_i, weights) + bias
+            # 计算预测标签
+            y_predicted = np.sign(linear_output)
+
+            # 更新权重和偏置
+            if y_predicted != y[idx]:
+                weights += learning_rate * (y[idx] * x_i)
+                bias += learning_rate * y[idx]
+
+    return weights, bias
 
 
-def predict_svm(inX, weights):
+def predict_svm(inX, weights, bias):
     """
     支持向量机预测函数。
 
     Args:
     - inX (numpy array): 输入待分类的样本。
     - weights (numpy array): 训练得到的权重。
+    - bias (float): 训练得到的偏置。
 
     Returns:
     - int: 预测的分类标签。
     """
+    linear_output = np.dot(inX, weights) + bias
+    return 1 if linear_output >= 0 else -1
 
 
 # 这里也写自己的代码实现
@@ -61,12 +83,19 @@ 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。
+    - 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=',', dtype=str)
+    X = data[:, :-1].astype(float)  # 特征数据
+    y = data[:, -1]  # 标签数据
+
+    # 将标签转换为 -1 和 1
+    y = np.where(y == '1', 1, -1)  # 假设标签为 '1' 表示死亡，其他为存活
+    return X, y
 
 
 if __name__ == "__main__":
@@ -78,8 +107,13 @@ if __name__ == "__main__":
     X_test, y_test = load_data("./data/horse-colic.test")
 
     # 训练支持向量机模型
-    weights = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)
+    weights, bias = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)
 
     # 测试单个数据
-    y_pred = predict_svm(X_test[11], weights)
+    y_pred = predict_svm(X_test[11], weights, bias)
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+
+    # 计算准确率
+    correct_predictions = sum(predict_svm(x, weights, bias) == y for x, y in zip(X_test, y_test))
+    accuracy = correct_predictions / len(y_test)
+    print(f"测试集准确率: {accuracy * 100:.2f}%")