版權宣告：本文為博主原創文章，未經博主允許不得轉載。 https://blog.csdn.net/weixin_44474718/article/details/86420803
資料集可以從UCI機器學習倉庫下載（http://archive.ics.uci.edu/ml/datasets/Iris）
深度學習中要求資料全部都是資料
下例，資料集具有4個數值型輸入專案，輸出專案是鳶尾花的3個子類。使用scikit-learn中提供的資料集。
輸入層（4個輸入）—> 隱藏層（4個神經元）—> 隱藏層（6個神經元）—> 輸出層（3個輸出）

from sklearn import datasets
import
 
 numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold

# 匯入資料
dataset = datasets.load_iris()

x = dataset.data
Y = dataset.target

# 設定隨機種子
 

seed = 7
np.random.seed(seed)

# 構建模型函式
def create_model(optimizer='adam', init='glorot_uniform'):
    # 構建模型    *輸入層（4個輸入）---> 隱藏層（4個神經元）---> 隱藏層（6個神經元）---> 輸出層（3個輸出）
    model = Sequential()
    model.add(Dense(units=4, activation='relu', input_dim=4, kernel_initializer=init))
    model.
 
add(Dense(units=6, activation='relu', kernel_initializer=init))
    model.add(Dense(units=3, activation='softmax', kernel_initializer=init))

    # 編譯模型
    model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])

    return model

model = KerasClassifier(build_fn=create_model, epochs=200, batch_size=5, verbose=0)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, x, Y, cv=kfold)
print('Accuracy: %.2f%% (%.2f)' % (results.mean()*100, results.std()))