更新 function.py

function.py

@@ -23,54 +23,86 @@ 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_svm(X, y, other_params="你自己设置一些其它参数"):
-    """
-    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**。
-
-    Returns:
-    - numpy array: 训练得到的权重。
-    """
-
-
-def predict_svm(inX, weights):
-    """
-    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。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
-
-
-# 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**。
-
+    从文件中加载数据，并返回特征和标签。
+    
     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=" ", dtype=str)
+    X = []
+    y = []
 
+    for row in data:
+        features = row[:-1].astype(float)  # 特征数据
+        label = int(row[-1])  # 标签数据 (0 或 1)
+        
+        # 转换标签为 +1 或 -1
+        y.append(1 if label == 1 else -1)
+        X.append(features)
+    
+    return np.array(X), np.array(y)
+
+def train_svm(X, y, learning_rate=0.01, iterations=1000, regularization_param=0.01):
+    """
+    使用梯度下降法训练SVM。
+    
+    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。
+    - regularization_param (float): 正则化参数，用于控制SVM的复杂度。
+
+    Returns:
+    - np.array: 训练得到的权重。
+    """
+    m, n = X.shape
+    weights = np.zeros(n)  # 初始化权重向量
+    b = 0  # 初始化偏置项
+    
+    for _ in range(iterations):
+        for i in range(m):
+            # 计算 SVM 的预测值 (X_i * w + b)
+            condition = y[i] * (np.dot(X[i], weights) + b) < 1
+            if condition:
+                # 如果样本未正确分类（即在边界外），更新权重和偏置
+                weights -= learning_rate * (2 * regularization_param * weights - np.dot(X[i], y[i]))
+                b -= learning_rate * y[i]
+            else:
+                # 否则只做正则化更新
+                weights -= learning_rate * 2 * regularization_param * weights
+    
+    return weights, b
+
+def predict_svm(inX, weights, b):
+    """
+    使用训练得到的权重和偏置来预测样本的类别。
+    
+    Args:
+    - inX (numpy array): 输入待分类的样本。
+    - weights (numpy array): 训练得到的权重。
+    - b (float): 训练得到的偏置项。
+
+    Returns:
+    - int: 预测的分类标签。
+    """
+    result = np.dot(inX, weights) + b
+    return 1 if result > 0 else -1  # 如果结果大于0，预测为+1，否则为-1
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
+    # 测试代码
+
     # 加载训练集
     X_train, y_train = load_data("./data/horse-colic.data")
 
@@ -78,8 +110,9 @@ 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, b = 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)
+    # 测试单个数据点
+    y_pred = predict_svm(X_test[11], weights, b)
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+