更新 function.py

function.py

@@ -28,18 +28,52 @@ name = "test_name"
 
 
 # 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 sigmoid(z):
+    """
+    Sigmoid 激活函数。
+    """
+    return 1 / (1 + np.exp(-z))
+
+def compute_cost(X, y, weights):
+    """
+    计算交叉熵损失函数。
+    """
+    m = len(y)
+    predictions = sigmoid(np.dot(X, weights))
+    cost = -1/m * (np.dot(y, np.log(predictions)) + np.dot((1 - y), np.log(1 - predictions)))
+    return cost
+
+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，默认值 0.01。
+    - iterations (int): 迭代次数，默认值 1000。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
+    m, n = X.shape  # m 为样本数，n 为特征数
+    X = np.hstack([np.ones((m, 1)), X])  # 添加偏置项，X_0=1
+    weights = np.zeros(n + 1)  # 初始化权重
+    for i in range(iterations):
+        # 计算预测值
+        predictions = sigmoid(np.dot(X, weights))
+        # 计算梯度
+        gradient = (1/m) * np.dot(X.T, (predictions - y))
+        # 更新权重
+        weights -= learning_rate * gradient
+        
+        # 可选：每隔一定次数输出损失
+        if i % 100 == 0:
+            cost = compute_cost(X, y, weights)
+            print(f"Iteration {i}, Cost: {cost}")
+    
+    return weights
+
 
 
 def predict_logreg(inX, weights):
@@ -53,22 +87,12 @@ def predict_logreg(inX, weights):
     Returns:
     - int: 预测的分类标签。
     """
+    inX = np.hstack([1, inX])  # 添加偏置项
+    prediction_prob = sigmoid(np.dot(inX, weights))  # 计算预测概率
+    return 1 if prediction_prob >= 0.5 else 0  # 返回分类标签
 
 
 # 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:
-    - directory (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-
-
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改
     # 加载训练集