tensorflow实现二分类

# 导入所需库和模块
from tensorflow.keras.layers import Dense, Input, Activation  # 导入神经网络层和激活函数模块
from tensorflow.keras.models import Sequential  # 导入Keras的Sequential模型
import pandas as pd  # 导入Pandas库用于数据处理
import numpy as np  # 导入NumPy库用于数值计算
from matplotlib import pyplot as plt  # 导入Matplotlib库用于数据可视化
from sklearn.model_selection import train_test_split  # 导入数据集分割模块
from sklearn.metrics import accuracy_score  # 导入评估模块

# 创建神经网络模型
model = Sequential()  # 创建Sequential模型，用于堆叠神经网络层

# 添加输入层和隐藏层
model.add(Dense(units=20, input_dim=2, activation='sigmoid'))  # 添加具有20个神经元和sigmoid激活函数的隐藏层
model.add(Dense(units=1, activation='sigmoid'))  # 添加具有1个神经元和sigmoid激活函数的输出层

# 查看模型结构摘要
model.summary()

# 编译模型，配置优化器、损失函数和评估指标
model.compile(loss='categorical_crossentropy',  # 使用分类交叉熵作为损失函数
              optimizer='sgd',  # 使用随机梯度下降算法进行优化
              metrics=['accuracy'])  # 评估指标为准确率

data = pd.read_csv('D:/pythonDATA/data.csv')  # 从CSV文件中读取数据
X = data.drop(['y'], axis=1)  # 特征变量
y = data.loc[:, 'y']  # 目标变量

# 数据可视化
fig1 = plt.figure(figsize=(5, 5))  # 创建画布
passed = plt.scatter(X.loc[:, 'x1'][y == 1], X.loc[:, 'x2'][y == 1])  # 目标为1的数据点
filed = plt.scatter(X.loc[:, 'x1'][y == 0], X.loc[:, 'x2'][y == 0])  # 目标为0的数据点
plt.legend((passed, filed), ('passed', 'filed'))  # 设置图例
plt.xlabel('x1')  # x轴标签
plt.ylabel('x2')  # y轴标签
plt.title('raw data')  # 标题
plt.show()  # 显示图形

# 数据分割（训练集和测试集）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=10)  # 将数据集划分为训练集和测试集

# 重新编译模型以使用不同的优化器和损失函数
model.compile(optimizer='adam', loss='binary_crossentropy')  # 配置解决问题的方法和损失函数

# 进行拟合训练,迭代训练三千次,降低其损失函数
model.fit(X_train, y_train, epochs=3000)  # 拟合模型，进行训练

# 进行预测
y_test_predict = model.predict_classes(X_test)  # 对测试集进行预测
accuracy_test = accuracy_score(y_test, y_test_predict)  # 计算预测准确率

# 生成范围内的预测结果
xx, yy = np.meshgrid(np.arange(0, 1, 0.01), np.arange(0, 1, 0.01))  # 创建预测范围
x_range = np.c_[xx.ravel(), yy.ravel()]  # 生成范围内所有点的坐标
print("输出坐标：")
print(x_range)
y_range_predict = model.predict_classes(x_range)  # 预测范围内所有点的类别

# 格式化输出并绘图展示结果
y_range_predict_form = pd.Series(i[0] for i in y_range_predict)  # 将预测结果格式化为Series类型

print(y_range_predict_form)  # 打印格式化后的预测结果
print(accuracy_test)  # 打印预测准确率

fig2 = plt.figure(figsize=(5, 5))  # 创建画布
passed_predict = plt.scatter(x_range.loc[:, 'x1'][y == 1], x_range.loc[:, 'x2'][y == 1])  # 预测为1的数据点
filed_predict = plt.scatter(x_range.loc[:, 'x1'][y == 0], x_range.loc[:, 'x2'][y == 0])  # 预测为0的数据点

passed = plt.scatter(X.loc[:, 'x1'][y == 1], X.loc[:, 'x2'][y == 1])  # 实际为1的数据点
filed = plt.scatter(X.loc[:, 'x1'][y == 0], X.loc[:, 'x2'][y == 0])  # 实际为0的数据点

plt.legend((passed, filed, passed_predict, filed_predict), ('passed', 'filed', 'passed_predict', 'filed_predict'))  # 设置图例
plt.xlabel('x1')  # x轴标签
plt.ylabel('x2')  # y轴标签
plt.title('raw result')  # 标题
plt.show()  # 显示图形