机器学习13： 使用 TensorFlow 进行二元分类（Binary Classification）编程实践

在【机器学习6】和【机器学习9】中，我们使用 TensorFlow 进行了“线性回归模型”和“组合特征”编程实践。本质上，其中采用的都是回归模型，也就是说，我们创建了产生浮点预测的模型，比如“这个社区的房子要花 N 千美元。” 在本篇，我们将创建并评估一个二进制分类模型。

学习目标：

• 将回归问题转换为分类问题。
• 修改分类阈值并确定该修改对模型有什么影响。
• 尝试使用不同的分类指标来确定模型的有效性。

数据集：与【机器学习9】一样，编程练习中也使用加州住房数据集。

目录

1.导入依赖模块

2.载入数据集

3.数据归一化（Normalize values）

4.创建二进制标签

5.将特征表示为输入图层

6.定义构建和训练模型的函数

7.定义打印函数

8.调用创建、训练和绘图函数

9.任务一

10.任务二：添加精确度和召回率作为衡量标准

11.任务三：试验分类阈值

12.任务四：总结模型性能（如果时间允许）

13.参考文献

---

1.导入依赖模块

import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from matplotlib import pyplot as plt

# The following lines adjust the granularity of reporting.
pd.options.display.max_rows = 10
pd.op