超级简单的神经网络——训练数据分类(python语言)

需要kddtrain2018.txt和kddtest2018.txt的盆友，请下载我上传的资源：神经网络训练数据分类_kdd

内容：

根据给定数据集创建分类器。
训练数据集(kddtrain2018.txt)：100 predictive attributes A1,A2,...,A100和一个类标C，每一个属性是介于0～1之间的浮点数，类标C有三个可能的{0，1，2}，给定的数据文件有101列，6270行。
测试数据集(kddtest2018.txt)：500行

处理过程：

1.将两个txt文件转换成excel，得到6270*101、500*100(test2018.xlsx)的两个.xlsx表格。

2.将训练文件6270*101分成两个表格：6000*101和270*101，得到train2018.xlsx文件和val2018.xlsx文件。

3.用train2018.xlsx代码训练

4.用val2018.xlsx验证，得到准确率96.7%

5.可以预测test结果，但是没有标签，所以不知道正确率......此步略：）

神经网络设计：

原则：简单点，写代码的方式简单点

三层网络，输入层，隐含层，输出层。

n_x=6000（6000个训练样本），n_h=32（32个神经元，也可以是别的数字），n_y=3（3类）

训练代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

def initialize_parameters(n_x, n_h, n_y):
    W1 = np.random.randn(n_h,n_x) * 0.01
    b1 = np.zeros((n_h,1))
    W2 = np.random.randn(n_y,n_h) * 0.01
    b2 = np.zeros((n_y,1))
  
    assert (W1.shape == (n_h, n_x))
    assert (b1.shape == (n_h, 1))
    assert (W2.shape == (n_y, n_h))
    assert (b2.shape == (n_y, 1))
    
    parameters