更新 function.py

function.py

@@ -23,63 +23,70 @@ import numpy as np
 姓名请直接**填写中文**
 例如: name = "张三"
 """
-id = "202210423xxx"
+id = "202210423215"
-name = "test_name"
+name = "章程鸿"
 
 
 # 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"):
+from sklearn.svm import SVC
+from sklearn.preprocessing import StandardScaler
+import numpy as np
+
+def train_svm(X, y):
     """
-    支持向量机训练函数。
+    使用 SVM 核方法进行训练。
     
     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。
+    - model (SVC): 训练得到的 SVM 模型。
     """
+    # 数据标准化
+    scaler = StandardScaler()
+    X_scaled = scaler.fit_transform(X)
     
+    # 使用RBF核的SVM模型
+    model = SVC(kernel='rbf', decision_function_shape='ovr')  # 采用RBF核
+    model.fit(X_scaled, y)
     
-def predict_svm(inX, weights):
+    return model, scaler
+
+def predict_svm(model, scaler, X):
     """
-    支持向量机预测函数。
+    使用训练好的SVM模型进行预测。
     
     Args:
-    - inX (numpy array): 输入待分类的样本。
+    - model (SVC): 训练好的SVM模型。
-    - weights (numpy array): 训练得到的权重。
+    - scaler (StandardScaler): 标准化器，用于测试数据的标准化。
+    - X (numpy array): 输入特征数据。
     
     Returns:
-    - int: 预测的分类标签。
+    - int: 预测标签。
     """
-
+    X_scaled = scaler.transform([X])  # 将输入特征进行标准化
-
+    return model.predict(X_scaled)[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。
-    """
-
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
+    # 加载数据
-    # 加载训练集
+    X_train, y_train = load_data("./horse-colic.data")
-    X_train, y_train = load_data("./data/horse-colic.data")
+    X_test, y_test = load_data("./horse-colic.test")
     
-    # 加载测试集
+    # 训练SVM
-    X_test, y_test = load_data("./data/horse-colic.test")
+    model, scaler = train_svm(X_train, y_train)
     
-    # 训练支持向量机模型
+    # 测试单个数据点
-    weights = train_svm(X_train, y_train, learning_rate=0.01, iterations=1000)
+    y_pred = predict_svm(model, scaler, X_test[11])
-
-    # 测试单个数据
-    y_pred = predict_svm(X_test[11], weights)
     print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+    
+    # 测试整个测试集并评估准确率
+    correct = 0
+    for i in range(len(X_test)):
+        y_pred = predict_svm(model, scaler, X_test[i])
+        if y_pred == y_test[i]:
+            correct += 1
+    
+    accuracy = correct / len(X_test) * 100
+    print(f"测试集准确率: {accuracy}%")
+