From 83216f1f72463d95ffb29052555872dc505ef5e6 Mon Sep 17 00:00:00 2001
From: ywq157 <271203576@qq.com>
Date: Tue, 5 Nov 2024 19:59:56 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 78 ++++++++++++++++++++++++++++++++++++++---------------
 1 file changed, 57 insertions(+), 21 deletions(-)

diff --git a/function.py b/function.py
index 750a541..a40842f 100644
--- a/function.py
+++ b/function.py
@@ -23,25 +23,73 @@ import numpy as np
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423113"
+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"):
+# 1. 数据加载函数
+def load_data(filepath):
+    """
+    从文件中加载数据，返回特征和标签。
+    
+    Args:
+    - 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=' ')  # 读取空格分隔的文件
+    X = data[:, :-1]  # 特征数据，去掉最后一列
+    y = data[:, -1]   # 标签数据，最后一列是标签
+    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):
     """
     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。
+    - 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)  # 计算线性模型的输出
+        y_pred = sigmoid(z)  # 使用sigmoid得到概率值
 
+        # 计算梯度
+        error = y_pred - y
+        gradient = np.dot(X.T, error) / m
+
+        # 更新权重
+        weights -= learning_rate * gradient
+
+    return weights
+
+# 3. 预测函数
 def predict_logreg(inX, weights):
     """
     对率回归预测函数。
@@ -53,24 +101,12 @@ def predict_logreg(inX, weights):
     Returns:
     - 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
 
-
-# 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。
-    """
-
-
+# 测试代码
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
     # 加载训练集
     X_train, y_train = load_data("./data/horse-colic.data")
 
@@ -82,4 +118,4 @@ if __name__ == "__main__":
 
     # 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]}")
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
\ No newline at end of file