更新 function.py

function.py

@@ -45,9 +45,8 @@ import numpy as np
 import os
 from collections import Counter
 
-  
 # 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=2):  
+def classify(input_vector, dataSet, labels, k=3):
     """
     使用 KNN 算法对输入样本进行分类。
 
@@ -55,12 +54,12 @@ def classify(input_vector, dataSet, labels, k=2):
         - input_vector (numpy array): 输入待分类的样本（1xN）。
         - dataSet (numpy array): 训练数据集（MxN）。
         - labels (list or numpy array): 训练集对应的标签。
-    - k (int): kNN 算法参数，默认值为 2。  
+        - k (int): kNN 算法参数，默认值为 3。
 
     返回:
         - int: 预测的分类标签。
     """
-     # 将欧氏距离改为马氏距离
+    # 计算马氏距离
     mean_vector = np.mean(dataSet, axis=0)
     cov_matrix = np.cov(dataSet.T)
     inv_cov_matrix = np.linalg.inv(cov_matrix)
@@ -82,18 +81,8 @@ def classify(input_vector, dataSet, labels, k=2):
 
     return np.argmax(weighted_votes)
     
-# 这里也写自己的代码实现  
+# 这里写自己的代码实现
 def load_dataset(directory):
-    """  
-    加载数据集中的图像，并将其转换为特征向量和标签。  
-  
-    参数:  
-    - directory (str): 数据文件夹路径。  
-  
-    返回:  
-	    - np.array: 特征数据（Mx1024）。  
-	    - np.array: 标签数据（Mx1）。  
-    """  
     feature_list = []
     label_list = []
     for file in os.listdir(directory):
@@ -110,6 +99,8 @@ def load_dataset(directory):
     feature_matrix = (feature_matrix - min_value) / (max_value - min_value)
 
     return feature_matrix, label_array
+
+# 这里写自己的代码实现
 def img_to_vector(filename):
     """
     将二值图像转换为向量。
@@ -126,9 +117,7 @@ def img_to_vector(filename):
             vector[i*32:i*32+32] = np.array([int(char) for char in line.strip()])
     return vector
 
-
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
     train_data, train_labels = load_dataset("trainingDigits")
 
     test_data = (
@@ -172,4 +161,3 @@ if __name__ == "__main__":
     )
 
     print(f"预测的标签: {predicted_label}")
-