Python深度学习实战：声呐返回值分类

本章我们使用Keras开发一个二分类网络。本章包括：

• 将数据导入Keras
• 为表格数据定义并训练模型
• 在未知数据上测试Keras模型的性能
• 处理数据以提高准确率
• 调整Keras模型的拓扑和配置

声呐物体分类数据

本章使用声呐数据，包括声呐在不同物体的返回。数据有60个变量，代表不同角度的返回值。目标是将石头和金属筒（矿石）分开。

所有的数据都是连续的，从0到1；输出变量中M代表矿石，R代表石头，需要转换为1和0。数据集有208条数据，在本书的data目录下，也可以自行下载，重命名为sonar.csv。

此数据集可以作为性能测试标准：我们知道什么程度的准确率代表模型是优秀的。交叉检验后，一般的网络可以达到84%的准确率，最高可以达到88%。关于数据集详情，请到UCI机器学习网站查看。

简单的神经网络

先创建一个简单的神经网络试试看。导入所有的库和函数：

import numpy
import pandas