给定的数据在 “point_data.csv”文件里，这个数据总共包含了5个类别（由Class_ID来区分）, 并包括10个特征。在这里，我们需要搭建多层的神经网络，并利用这个网络来识别分类。
首先是导入所有所需的library
# 导入library
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# TODO 导入跟keras相关的libraray
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import SGD
# 以下是跟sklearn相关的库
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder,scale
from sklearn.metrics import f1_score, classification_report,confusion_matrix
1.导入数据集
filename = 'point_data.csv'
dataset = pd.read_csv(filename)
2.数据预处理
首先使用LabelEncoder对label进行标准化处理
encoder = LabelEncoder()
# 定义标签Y和特征X
Y = dataset.iloc[:, 2:3].values
X = dataset.iloc[:, 3:13].values
# TODO: 对Y做一个简单的转换（不然会在keras部分会出错）
y = encoder.fit_transform(Y)
分割训练数据与测试数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=42)
使用preprocessing.scale函数对数据进行归一化
X_train = scale(X_train)
X_test = scale(X_test)
3.定义深度神经网络模型
模型总共包含4层hidden layer, 第一层包括50个hidden units, 第二层包括50个hidden units, 第三层包括60个hidden units,
第四层包括40个hidden units. 并在第一层hidden layer和第二层hidden layer之间添加一个dropout layer (rate=0.2),在第二层和第三层hidden layer之间添加dropout layer（rate=0.2）, 第三层和第四层之间添加dropout layer（rate=0.1）。
input_shape = (10,)
output_shape = 5
# TODO: 定义深度学习模型
model = Sequential()
model.add(Dense(10, input_shape=input_shape, activation='relu'))
model.add(Dense(50, activation='relu'))
model.add(Dropout(rate=0.2))
model.add(Dense(50, activation='relu'))
model.add(Dropout(rate=0.2))
model.add(Dense(60, activation='relu'))
model.add(Dropout(rate=0.1))
model.add(Dense(40, activation='relu'))
model.add(Dense(output_shape, activation='softmax'))
# 输出模型描述
model.summary()
定义SGD优化器,学习率为0.01
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
义模型的compile函数，设置loss为sparse_categorical_crossentropy, 利用上面定义的sgd优化器，利用准确率作为评估标准。
model.compile(loss='sparse_categorical_crossentropy',optimizer=sgd, metrics=['accuracy'])
4.训练模型
设置epoch为100， batch_Size为100，并把训练数据中的15%作为validation data(验证集), 把中间的结果都赋给history变量（后面做分析用）
history = model.fit(X_train, y_train, epochs=100,batch_size=100,validation_split=0.15)
可以看到随着模型的不断训练，损失函数降低到接近0.06,auc准确率可以达到97.7%
5.验证模型
我们可以画一个图来表示准确率的变化情况（分别在训练数据和测试数据）
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='lower right')
plt.show()
也可以画一个图来表示LOSS的变化情况（分别在训练数据和测试数据）
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper right')
plt.show()
在测试数据上做评估
y_pred = model.predict(X_test)
score = model.evaluate(X_test, y_test, batch_size=100, verbose=1)
print(score)
print("Baseline Error: %.2f%%" % (100-score[1]*100))
绘制混淆矩阵
# 预测结果
test_class = model.predict_classes(X_test)
# 绘制矩阵
confusion_matrix(y_test, test_class)
输出在测试集上的precision, recall, f1-score
print(classification_report(y_test, test_class))
所有源码、测试数据以及训练好的模型已上传至git，点击这里可直接查看，有疑问的同学请在博客下方留言或提Issuees，谢谢！