更新 function.py

function.py

@@ -26,114 +26,30 @@ import numpy as np
 id = "202210423113"
 name = "杨文强"
 
-
-# 这里写自己的代码实现
-# 1. 数据加载函数
-def load_data(filepath):
-    """
-    从文件中加载数据，处理缺失值 '?' 为 NaN，并将其替换为列的均值或其他方法。
-    
-    Args:
-    - filepath (str): 数据文件路径。
-
-    Returns:
-    - np.array: 特征数据。
-    - np.array: 标签数据。
-    """
-    # 读取数据，使用 `?` 替换为 np.nan
-    data = np.genfromtxt(filepath, delimiter=' ', dtype=str)  # 读取为字符串类型
-    data[data == '?'] = np.nan  # 将 '?' 替换为 NaN
-
-    # 将数据转换为浮动类型
-    data = data.astype(float)
-
-    # 处理缺失值：用列的均值替换缺失值
-    # 计算每列的均值（跳过 NaN）
-    col_means = np.nanmean(data, axis=0)
-    
-    # 用列均值填充 NaN 值
-    # np.where 检查哪里是 NaN，并用对应列的均值替换
-    inds = np.where(np.isnan(data))
-    data[inds] = np.take(col_means, inds[1])
-
-    # 特征数据：去掉最后一列
-    X = data[:, :-1]
-    # 标签数据：最后一列是标签
-    y = data[:, -1]
-
-    return X, y
-
-# 2. 训练对率回归模型的函数
 def sigmoid(z):
-    """
-    Sigmoid激活函数，常用于逻辑回归模型。
-    
-    Args:
-    - z (numpy array): 输入的值。
-
-    Returns:
-    - numpy array: Sigmoid函数的输出。
-    """
     return 1 / (1 + np.exp(-z))
 
 def train_logreg(X, y, learning_rate=0.01, iterations=1000):
-    """
+    m, n = X.shape
-    对率回归训练函数。
+    weights = np.zeros(n)
-
+    bias = 0
-    Args:
-    - X (numpy array): 特征数据。
-    - y (numpy array): 标签数据。
-    - learning_rate (float): 学习率。
-    - iterations (int): 训练的迭代次数。
-
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
-    m, n = X.shape  # 获取样本数m和特征数n
-    X = np.hstack((np.ones((m, 1)), X))  # 添加偏置项（常数项）
-    weights = np.zeros(n + 1)  # 初始化权重（包括偏置项）
-
     for _ in range(iterations):
-        # 预测值
+        z = np.dot(X, weights) + bias
-        z = np.dot(X, weights)  # 计算线性模型的输出
+        h = sigmoid(z)
-        y_pred = sigmoid(z)  # 使用sigmoid得到概率值
+        cost = (-1/m) * np.sum(y*np.log(h) + (1-y)*np.log(1-h))
-
+        dw = (1/m) * np.dot(X.T, (h - y))
-        # 计算梯度
+        db = (1/m) * np.sum(h - y)
-        error = y_pred - y
+        weights -= learning_rate * dw
-        gradient = np.dot(X.T, error) / m
+        bias -= learning_rate * db
-
-        # 更新权重
-        weights -= learning_rate * gradient
-
     return weights
 
-# 3. 预测函数
 def predict_logreg(inX, weights):
-    """
+    z = np.dot(inX, weights)
-    对率回归预测函数。
+    h = sigmoid(z)
+    return 1 if h > 0.5 else 0
 
-    Args:
+def load_data(filepath):
-    - inX (numpy array): 输入待分类的样本。
+    data = np.loadtxt(filepath, delimiter=',')
-    - weights (numpy array): 训练得到的权重。
+    X = data[:, :-1]
-
+    y = data[:, -1]
-    Returns:
+    return X, y
-    - int: 预测的分类标签。
-    """
-    inX = np.hstack((np.ones((1, 1)), inX))  # 添加偏置项
-    prob = sigmoid(np.dot(inX, weights))  # 计算概率
-    return 1 if prob >= 0.5 else 0  # 如果概率大于等于0.5，则预测为1，否则预测为0
-
-# 测试代码
-if __name__ == "__main__":
-    # 加载训练集
-    X_train, y_train = load_data("./data/horse-colic.data")
-
-    # 加载测试集
-    X_test, y_test = load_data("./data/horse-colic.test")
-
-    # 训练对率回归模型
-    weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)
-
-    # 测试单个数据
-    y_pred = predict_logreg(X_test[11], weights)
-    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")