tensorflow学习008——逻辑回归实现

import pandas as pd
data = pd.read_csv("./dataset/credit-a.csv",header=None) #因为这个文件没有表头
print(data.head())

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) #因为这个文件没有表头
# print(data.head())
x = data.iloc[:,:-1]
y = data.iloc[:,-1].replace(-1,0) #将最后一列的-1替换成0

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4,input_shape=(15,),activation='relu'))
model.add(tf.keras.layers.Dense(4,activation='relu')) #从第二层开始就不需要告诉输入的形状，会自动推断
model.add(tf.keras.layers.Dense(1,activation='sigmoid')) #最后一层需要使用sigmoid激活
#损失函数使用二元交叉熵概率 metric每轮都显示正确率
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['acc'])

history = model.fit(x,y,epochs=1000)

print(history.history) #是一个字典，记录了acc和loss的变化
#绘制loss,acc随ecpoch变化的图像
plt.plot(history.epoch,history.history.get("loss"),color='red')
plt.plot(history.epoch,history.history.get("acc"),color='green')
plt.show()