更新 function.py

function.py

@@ -23,50 +23,81 @@ import numpy as np
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
+id = "202210423113"
-name = "test_name"
+name = "杨文强"
 
 
 # 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"):
+def train_logreg(X, y, learning_rate=0.01, iterations=1000):
     """
     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，控制每次更新的步长。
+    - iterations (int): 迭代次数。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
+    # 初始化权重
+    m, n = X.shape
+    weights = np.zeros(n)
+    bias = 0
 
+    # 梯度下降
+    for i in range(iterations):
+        # 计算线性模型
+        z = np.dot(X, weights) + bias
+        # 应用sigmoid函数
+        predictions = 1 / (1 + np.exp(-z))
+        
+        # 计算梯度
+        dw = (1/m) * np.dot(X.T, (predictions - y))
+        db = (1/m) * np.sum(predictions - y)
 
-def predict_logreg(inX, weights):
+        # 更新权重和偏置
+        weights -= learning_rate * dw
+        bias -= learning_rate * db
+
+    return weights, bias
+
+def predict_logreg(inX, weights, bias):
     """
     对率回归预测函数。
 
     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。
     """
+    z = np.dot(inX, weights) + bias
+    prediction = 1 / (1 + np.exp(-z))
+    return 1 if prediction >= 0.5 else 0  # 分类阈值为0.5
+
 
 
 # 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**。
+    从文件中加载数据。
 
     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=' ')
+    X = data[:, :-1]  # 所有列，除了最后一列
+    y = data[:, -1]   # 只取最后一列作为标签
+    return X, y
+
 
 
 if __name__ == "__main__":