更新 function.py

function.py

@@ -1,45 +1,14 @@
 # function.py
 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。 
 
-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。 
-
-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。
-姓名请直接**填写中文**
-例如: name = "张三"
-"""
 id = "202210423217"
 name = "吴俊煯"
 
 
 # 这里写自己的代码实现
 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。
-    - 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)
@@ -62,54 +31,28 @@ def train_svm(X, y, learning_rate=0.01, iterations=1000):
 
 
 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
 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:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-    # 使用空格作为分隔符加载数据
-    data = np.loadtxt(filepath, delimiter=' ', dtype=str, comments=None)
+    data = np.loadtxt(filepath, delimiter=',', dtype=str, comments=None)
 
     # 检查数据的维度
     if data.ndim == 1:
         data = data.reshape(1, -1)  # 如果数据是一维的，重塑为二维
 
     # 清洗数据，去除无法转换的值
-    data[data == '?'] = '0'  # 将问号替换为0或其他合适的值
+    data = np.where(data == '?', '0', data)  # 将问号替换为0或其他合适的值
 
     X = data[:, :-1].astype(float)  # 特征数据
     y = data[:, -1]  # 标签数据
 
-    # 将标签转换为 0, 1, 2
-    y = np.where(y == '1', 1, y)  # 假设 '1' 表示死亡
-    y = np.where(y == '2', 2, y)  # 假设 '2' 表示安乐死
-    y = np.where(y == '0', 0, y)  # 假设 '0' 表示存活
-
-    # 确保 y 是整数类型
-    y = y.astype(int)  # 将 y 转换为整数类型
-
+    # 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