更新 function.py

function.py

@@ -28,49 +28,89 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def train_svm(X, y, other_params="你自己设置一些其它参数"):
+import numpy as np
+
+def load_data(filepath):
+    """
+    从文件中加载数据。
+
+    Args:
+    - filepath (str): 数据文件路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+    # 读取数据文件，假设文件是以空格分隔
+    data = np.loadtxt(filepath)
+    
+    # 特征数据是前n-1列
+    X = data[:, :-1]
+    
+    # 标签数据是最后一列
+    y = data[:, -1]
+    
+    return X, y
+
+def train_svm(X, y, learning_rate=0.01, iterations=1000, C=1.0):
     """
     支持向量机训练函数。
 
     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): 训练迭代次数。
+    - C (float): 正则化参数。
 
     Returns:
     - numpy array: 训练得到的权重。
     """
+    # 获取样本数量和特征数量
+    m, n = X.shape
+    
+    # 初始化权重和偏置项
+    weights = np.zeros(n)
+    bias = 0
+    
+    # 训练过程：使用梯度下降优化SVM
+    for _ in range(iterations):
+        for i in range(m):
+            # 如果数据点被正确分类
+            if y[i] * (np.dot(X[i], weights) + bias) >= 1:
+                # 仅更新支持向量
+                weights -= learning_rate * (2 * C * weights)
+            else:
+                # 对于错误分类的点进行更新
+                weights -= learning_rate * (2 * C * weights - np.dot(X[i], y[i]))
+                bias -= learning_rate * y[i]
+    
+    return weights, bias
 
 
-def predict_svm(inX, weights):
+
+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。
     """
+    # 计算决策函数的值
+    result = np.dot(inX, weights) + bias
+    
+    # 如果结果大于0，预测为1（存活）；否则，预测为-1（死亡）
+    return 1 if result >= 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:
-    - 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
     X_train, y_train = load_data("./data/horse-colic.data")
 
@@ -78,8 +118,10 @@ if __name__ == "__main__":
     X_test, y_test = load_data("./data/horse-colic.test")
 
     # 训练支持向量机模型
-    weights = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)
+    weights, bias = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)
 
     # 测试单个数据
-    y_pred = predict_svm(X_test[11], weights)
+    y_pred = predict_svm(X_test[11], weights, bias)
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+
+