ObjFun() missing 2 required positional arguments: 'y' and 'beta'

这个错误通常是因为在调用ObjFun()函数时没有传递正确的参数。'y'和'beta'是ObjFun()函数的两个必需参数，如果没有正确传递它们，就会出现这个错误。

你可以检查一下调用ObjFun()函数的地方，看看是否正确传递了'y'和'beta'两个参数。如果你确定参数已经正确传递，那么可能是函数定义中的参数名称有误，你需要检查一下函数定义是否正确。

相关问题

1.编写测试函数对应的jl文件并测试 输入：x为迭代点 输出：f为函数值 函数头：objfun(x) 测试参数：x=[0,0]

在Julia（一种动态类型的编程语言）中，编写一个测试函数通常涉及到创建一个`.jl`文件，这个文件会定义`objfun`函数以及相关的测试用例。下面是一个简单的例子，假设我们有一个名为`my_function.jl`的文件：

# my_function.jl

function objfun(x)
    # 这里填写实际的函数实现
    return x[1]^2 + x[2]^2  # 示例：返回x坐标的平方和
end

接下来，我们需要在一个测试文件（如`test_my_function.jl`）中编写测试代码，使用`Test`包来验证`objfun`的功能：

# test_my_function.jl

using Test
using .my_function  # 导入刚刚定义的my_function模块

function test_objfun()
    x = [0, 0]  # 测试参数
    expected_result = 0  # 预期结果

    @test objfun(x) ≈ expected_result  # 使用约等于运算符检查近似相等
    println("Function called with $x returned approximately $(objfun(x))")

    # 更多测试用例...
    x = [1, 1]
    @test objfun(x) ≈ 2

    return nothing
end

test_objfun()  # 运行测试函数

在这个测试中，当`x=[0,0]`时，预期结果应该是0（因为坐标原点的平方和为0）。如果`objfun(x)`的实际输出与期望相符，则测试通过。

def ObjFun(x,y,beta): # 目标函数 """ Logistic regression loss function :param beta: model parameter vector :param x: feature matrix :param y: label vector :return: loss value """ n = x.shape[0] p = x.shape[1] #? sigm

oid = 1 / (1 + np.exp(-x @ beta)) # 计算sigmoid函数的值
loss = -np.sum(y * np.log(sigmoid) + (1 - y) * np.log(1 - sigmoid)) / n # 计算损失值
return loss

这是一个用于逻辑回归的目标函数，其中x是特征矩阵，y是标签向量，beta是模型参数向量。函数中通过使用sigmoid函数计算预测值，并使用交叉熵损失函数计算损失值。最终返回的是损失值。