使用tf.keras实现多层感知器（神经网络）的代码实现（tensorflow2.0基础入门2）

**

逻辑回归与交叉熵

**
1）线性回归预测的是一个连续的值
2）逻辑回归给出的”是”和“否”的回答
3）逻辑回归的激活函数 采用的是（sigmoid激活函数） sigmoid函数是一个概率分布函数，即给定某个输入，它将输出为一个0到1的概率值
4）对于分类问题，我们最好的使用交叉嫡损失函数会更有效，交叉嫡会输出一个更大的“损失”.
5）平方差损失也可以使用，但是要求：训练次数要非常多，训练速度要非常的慢。 平方差所惩罚的是与损失为同一数量级的情形.

交叉嫡损失函数：

1）交叉嫡刻画的是实际输出（概率）与期望输出(概率)的距离，也就是交叉嫡的值越小，两个概率分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出，H(p,q)为交叉嫡
2)交叉熵实际上就是放大了两种概率分布的损失.

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

data=pd.read_csv('./dataset/credit-a.csv',header=None) #header 针对的是没有表头的数据（自动添加表头）
print('原始数据：\n',data,'\r\n')

#print('原始数据的最后一列有多少的不同值和个数:\n',data.iloc[:,-1].value_counts(),'\r\n')
#value_counts() 是一种查看表格某列中有多少个不同值的快捷方法，并计算每个不同值有在该列中有多少重复值。

x=data.iloc[:,0:-1]
y=data.iloc[:,-1].replace(-1,0) #将-1替换为0
print('输入X：\n',x,'\r\n')
print('输入y：\n',y,'\r\n')

#建立模型
model=tf.keras.Sequential()#顺序模型的初始化（Sequential）
model.add(tf.keras.layers.Dense(4,input_shape=(15,),activation='relu'))#输入层
model.add(tf.keras.layers.Dense(4,activation='relu'))#第二层就不需要指明input_shape
model.add(tf.keras.layers.Dense(1,activation='sigmoid'))#输出层

model.summary()

#编译
model.compile(optimizer='adam',
             loss='binary_crossentropy',
              metrics=['acc']
)
#metrics在运行过程中会计算 正确率的情况

history=model.fit(x,y,epochs=100)

#Draw 正确率的变化情况
plt.plot(history.epoch,history.history.get('acc'))
plt.show()