TensorFlow2利用泰坦尼克号获救CSV数据集完成数据预处理

作者：JackY-小袋鼠 | 来源：互联网 | 2023-09-10 17:30

本案例使用TensorFlow2加载CSV数据到tf.data.Dataset中，使用经典的数据集：泰坦尼克乘客数据。1.导入所需的库importt

本案例使用TensorFlow2加载CSV数据到tf.data.Dataset中&＃xff0c;使用经典的数据集&＃xff1a;泰坦尼克乘客数据。

1. 导入所需的库

import tensorflow as tf import numpy as np import pandas as pdimport functoolsfor i in [tf,np,pd]:print(i.__name__,": ",i.__version__,sep&＃61;"")

输出&＃xff1a;

tensorflow: 2.2.0 numpy: 1.17.4 pandas: 0.25.3

2. 下载并导入数据

2.1 下载数据到本地

trainDataUrl &＃61; "https://storage.googleapis.com/tf-datasets/titanic/train.csv" testDataUrl &＃61; "https://storage.googleapis.com/tf-datasets/titanic/eval.csv"trainFilePath &＃61; tf.keras.utils.get_file("trainTitanic.csv",trainDataUrl) testFilePath &＃61; tf.keras.utils.get_file("testTitanic.csv",testDataUrl)

输出&＃xff1a;

Downloading data from https://storage.googleapis.com/tf-datasets/titanic/train.csv 32768/30874 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 1s 29us/step Downloading data from https://storage.googleapis.com/tf-datasets/titanic/eval.csv 16384/13049 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 28us/step

Windows系统中下载的文件保存在&＃xff1a;系统盘&＃xff1a;\users\用户名.keras\datasets目录下

2.2 加载数据

labelColumn &＃61; "survived" # 指定数据标签的列名 labels &＃61; [0,1]def getDataset(filePath, **kwargs):dataset &＃61; tf.data.experimental.make_csv_dataset(filePath,batch_size&＃61;5,label_name&＃61;labelColumn,na_value&＃61;"?",num_epochs&＃61;1,ignore_errors&＃61;True,**kwargs)return datasetrawTrainData &＃61; getDataset(trainFilePath) rawTestData &＃61; getDataset(testFilePath)

def showBatch(dataset):for batch, label in dataset.take(1):for key, value in batch.items():print("{:20s}:{}".format(key,value.numpy()))print("{:20s}:{}".format("label",label.numpy()))showBatch(rawTrainData)

输出&＃xff1a;

sex :[b&＃39;male&＃39; b&＃39;female&＃39; b&＃39;male&＃39; b&＃39;male&＃39; b&＃39;male&＃39;] age :[50. 30. 28. 31. 27.] n_siblings_spouses :[0 0 0 1 0] parch :[0 0 0 0 0] fare :[ 13. 106.425 8.4583 52. 8.6625] class :[b&＃39;Second&＃39; b&＃39;First&＃39; b&＃39;Third&＃39; b&＃39;First&＃39; b&＃39;Third&＃39;] deck :[b&＃39;unknown&＃39; b&＃39;unknown&＃39; b&＃39;unknown&＃39; b&＃39;B&＃39; b&＃39;unknown&＃39;] embark_town :[b&＃39;Southampton&＃39; b&＃39;Cherbourg&＃39; b&＃39;Queenstown&＃39; b&＃39;Southampton&＃39; b&＃39;Southampton&＃39;] alone :[b&＃39;y&＃39; b&＃39;y&＃39; b&＃39;y&＃39; b&＃39;n&＃39; b&＃39;y&＃39;] label :[0 1 0 0 1]

3. 数据预处理

通过CSV文件导入的数据每列的数据类型可能不一样&＃xff0c;这就需要将数据喂给模型前进行数据预处理。可以使用sklearn等工具进行前处理&＃xff0c;再将数据传给TensorFlow。也可以使用TensorFlow内置的tf.feature_column工具&＃xff0c;使用该工具的优点是如果训练的模型需要保存或分享给他人&＃xff0c;则数据预处理的部分也会被保存。

3.1 特征选择——连续性数据

selectColumns &＃61; [&＃39;survived&＃39;, &＃39;age&＃39;, &＃39;n_siblings_spouses&＃39;, &＃39;parch&＃39;, &＃39;fare&＃39;] # 选择其中的几列进行分析 defaults &＃61; [0, 0.0, 0.0, 0.0, 0.0] tempDataset &＃61; getDataset(trainFilePath,select_columns&＃61;selectColumns,column_defaults&＃61;defaults)showBatch(tempDataset)

输出&＃xff1a;

age :[25. 43. 18. 55.5 47. ] n_siblings_spouses :[1. 0. 0. 0. 1.] parch :[2. 0. 0. 0. 1.] fare :[151.55 8.05 7.7958 8.05 52.5542] label :[0 0 0 0 1]

example_batch, labels_batch &＃61; next(iter(tempDataset))# 将所有列打包到一起 def pack(features, label):return tf.stack(list(features.values()),axis&＃61;1),labelpacked_dataset &＃61; tempDataset.map(pack)for fetures, labels in packed_dataset.take(1):print(fetures.numpy(),labels.numpy(),sep&＃61;"\n\n")

输出&＃xff1a;

[[28. 1. 0. 14.4542][28. 0. 0. 7.2292][52. 1. 0. 78.2667][48. 1. 2. 65. ][30.5 0. 0. 8.05 ]][0 0 1 1 0]

# 定义一个通用的预处理类&＃xff1a;选择部分特征并打包到单列中 class PackNumericFeatures(object):def __init__(self, names):self.names &＃61; namesdef __call__(self, features, labels):numeric_features &＃61; [features.pop(name) for name in self.names]numeric_features &＃61; [tf.cast(feat, tf.float32) for feat in numeric_features]numeric_features &＃61; tf.stack(numeric_features, axis&＃61;1)features["numeric"] &＃61; numeric_featuresreturn features, labelsnumericFeatures &＃61; ["age","n_siblings_spouses","parch","fare"]packed_train_data &＃61; rawTrainData.map(PackNumericFeatures(numericFeatures)) packed_test_data &＃61; rawTestData.map(PackNumericFeatures(numericFeatures))showBatch(packed_train_data)

输出&＃xff1a;

sex :[b&＃39;male&＃39; b&＃39;male&＃39; b&＃39;male&＃39; b&＃39;male&＃39; b&＃39;male&＃39;] class :[b&＃39;Third&＃39; b&＃39;Third&＃39; b&＃39;Third&＃39; b&＃39;Third&＃39; b&＃39;Second&＃39;] deck :[b&＃39;unknown&＃39; b&＃39;unknown&＃39; b&＃39;unknown&＃39; b&＃39;unknown&＃39; b&＃39;unknown&＃39;] embark_town :[b&＃39;Cherbourg&＃39; b&＃39;Southampton&＃39; b&＃39;Queenstown&＃39; b&＃39;Cherbourg&＃39; b&＃39;Southampton&＃39;] alone :[b&＃39;n&＃39; b&＃39;y&＃39; b&＃39;n&＃39; b&＃39;y&＃39; b&＃39;y&＃39;] numeric :[[15. 1. 1. 7.2292][25. 0. 0. 7.05 ][ 7. 4. 1. 29.125 ][28. 0. 0. 7.8958][28. 0. 0. 13. ]] label :[0 0 0 0 1]

example_batch, labels_batch &＃61; next(iter(packed_train_data))

3.2 连续性数据归一化

连接性数据通常需要做归一化操作。

desc &＃61; pd.read_csv(trainFilePath)[numericFeatures].describe() desc

输出&＃xff1a;

mean &＃61; np.array(desc.T["mean"]) std &＃61; np.array(desc.T["std"])print(mean, type(mean)) print(std, type(std))

输出&＃xff1a;

[29.63130781 0.54545455 0.37958533 34.38539856] [12.51181763 1.1510896 0.79299921 54.5977305 ]

def normalization(data, mean, std):return (data - mean)/stdnormalizer &＃61; functools.partial(normalization,mean&＃61;mean, std&＃61;std)numeric_column &＃61; tf.feature_column.numeric_column("numeric",normalizer_fn&＃61;normalizer,shape&＃61;[len(numericFeatures)]) numeric_columns &＃61; [numeric_column] numeric_column

输出&＃xff1a;

NumericColumn(key&＃61;&＃39;numeric&＃39;, shape&＃61;(4,), default_value&＃61;None, dtype&＃61;tf.float32, normalizer_fn&＃61;functools.partial(, mean&＃61;array([29.63130781, 0.54545455, 0.37958533, 34.38539856]), std&＃61;array([12.51181763, 1.1510896 , 0.79299921, 54.5977305 ]))) In [49]:

example_batch["numeric"]

输出&＃xff1a;

array([[28. , 1. , 0. , 24.15],[51. , 0. , 0. , 8.05],[ 6. , 0. , 1. , 33. ],[26. , 0. , 0. , 10.5 ],[16. , 0. , 0. , 26. ]], dtype&＃61;float32)>

numeric_layer &＃61; tf.keras.layers.DenseFeatures(numeric_columns) numeric_layer(example_batch).numpy()

输出&＃xff1a;

array([[-0.13038135, 0.39488277, -0.4786705 , -0.18746932],[ 1.7078807 , -0.47385937, -0.4786705 , -0.4823534 ],[-1.888719 , -0.47385937, 0.7823648 , -0.02537466],[-0.2902302 , -0.47385937, -0.4786705 , -0.4374797 ],[-1.0894746 , -0.47385937, -0.4786705 , -0.15358512]],dtype&＃61;float32)

3.3 特征选择——离散性数据

CATEGORIES &＃61; {&＃39;sex&＃39;: [&＃39;male&＃39;, &＃39;female&＃39;],&＃39;class&＃39; : [&＃39;First&＃39;, &＃39;Second&＃39;, &＃39;Third&＃39;],&＃39;deck&＃39; : [&＃39;A&＃39;, &＃39;B&＃39;, &＃39;C&＃39;, &＃39;D&＃39;, &＃39;E&＃39;, &＃39;F&＃39;, &＃39;G&＃39;, &＃39;H&＃39;, &＃39;I&＃39;, &＃39;J&＃39;],&＃39;embark_town&＃39; : [&＃39;Cherbourg&＃39;, &＃39;Southhampton&＃39;, &＃39;Queenstown&＃39;],&＃39;alone&＃39; : [&＃39;y&＃39;, &＃39;n&＃39;] }categorical_columns &＃61; [] for feature, vocab in CATEGORIES.items():cat_col &＃61; tf.feature_column.categorical_column_with_vocabulary_list(key&＃61;feature, vocabulary_list&＃61;vocab)categorical_columns.append(tf.feature_column.indicator_column(cat_col))categorical_columns

输出&＃xff1a;

[IndicatorColumn(categorical_column&＃61;VocabularyListCategoricalColumn(key&＃61;&＃39;sex&＃39;, vocabulary_list&＃61;(&＃39;male&＃39;, &＃39;female&＃39;), dtype&＃61;tf.string, default_value&＃61;-1, num_oov_buckets&＃61;0)),IndicatorColumn(categorical_column&＃61;VocabularyListCategoricalColumn(key&＃61;&＃39;class&＃39;, vocabulary_list&＃61;(&＃39;First&＃39;, &＃39;Second&＃39;, &＃39;Third&＃39;), dtype&＃61;tf.string, default_value&＃61;-1, num_oov_buckets&＃61;0)),IndicatorColumn(categorical_column&＃61;VocabularyListCategoricalColumn(key&＃61;&＃39;deck&＃39;, vocabulary_list&＃61;(&＃39;A&＃39;, &＃39;B&＃39;, &＃39;C&＃39;, &＃39;D&＃39;, &＃39;E&＃39;, &＃39;F&＃39;, &＃39;G&＃39;, &＃39;H&＃39;, &＃39;I&＃39;, &＃39;J&＃39;), dtype&＃61;tf.string, default_value&＃61;-1, num_oov_buckets&＃61;0)),IndicatorColumn(categorical_column&＃61;VocabularyListCategoricalColumn(key&＃61;&＃39;embark_town&＃39;, vocabulary_list&＃61;(&＃39;Cherbourg&＃39;, &＃39;Southhampton&＃39;, &＃39;Queenstown&＃39;), dtype&＃61;tf.string, default_value&＃61;-1, num_oov_buckets&＃61;0)),IndicatorColumn(categorical_column&＃61;VocabularyListCategoricalColumn(key&＃61;&＃39;alone&＃39;, vocabulary_list&＃61;(&＃39;y&＃39;, &＃39;n&＃39;), dtype&＃61;tf.string, default_value&＃61;-1, num_oov_buckets&＃61;0))]

categorical_layer &＃61; tf.keras.layers.DenseFeatures(categorical_columns) print(categorical_layer(example_batch).numpy()[0])

输出&＃xff1a;

[0. 1. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 0.]

3.4 合并连续数据和离散数据层

preprocessing_layer &＃61; tf.keras.layers.DenseFeatures(categorical_columns&＃43;numeric_columns)print(preprocessing_layer(example_batch).numpy()[0])

输出&＃xff1a;

[ 0. 1. 0. 0. 1. 0.0. 0. 0. 0. 0. 0.0. 0. 0. 0. 0. 1.-0.13038135 0.39488277 -0.4786705 -0.18746932 1. 0. ]

4. 构建模型

model &＃61; tf.keras.Sequential([preprocessing_layer,tf.keras.layers.Dense(128,activation&＃61;"relu"),tf.keras.layers.Dense(128,activation&＃61;"relu"),tf.keras.layers.Dense(1) ])model.compile(loss&＃61;tf.keras.losses.BinaryCrossentropy(from_logits&＃61;True),optimizer&＃61;"adam",metrics&＃61;["accuracy"])

5. 训练及评估模型

train_data &＃61; packed_train_data.shuffle(500) test_data &＃61; packed_test_datamodel.fit(train_data, epochs&＃61;20)

输出&＃xff1a;

Epoch 1/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 3ms/step - loss: 0.4894 - accuracy: 0.7544 Epoch 2/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 984us/step - loss: 0.4147 - accuracy: 0.8230 Epoch 3/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 921us/step - loss: 0.4002 - accuracy: 0.8309 Epoch 4/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 849us/step - loss: 0.3894 - accuracy: 0.8325 Epoch 5/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 841us/step - loss: 0.3812 - accuracy: 0.8485 Epoch 6/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 833us/step - loss: 0.3729 - accuracy: 0.8341 Epoch 7/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 849us/step - loss: 0.3716 - accuracy: 0.8421 Epoch 8/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 984us/step - loss: 0.3647 - accuracy: 0.8453 Epoch 9/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 770us/step - loss: 0.3472 - accuracy: 0.8501 Epoch 10/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 794us/step - loss: 0.3470 - accuracy: 0.8533 Epoch 11/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 841us/step - loss: 0.3449 - accuracy: 0.8421 Epoch 12/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 873us/step - loss: 0.3360 - accuracy: 0.8485 Epoch 13/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 857us/step - loss: 0.3313 - accuracy: 0.8565 Epoch 14/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 857us/step - loss: 0.3293 - accuracy: 0.8533 Epoch 15/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 873us/step - loss: 0.3236 - accuracy: 0.8644 Epoch 16/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 897us/step - loss: 0.3336 - accuracy: 0.8581 Epoch 17/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 770us/step - loss: 0.3185 - accuracy: 0.8565 Epoch 18/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 778us/step - loss: 0.3118 - accuracy: 0.8596 Epoch 19/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 794us/step - loss: 0.3130 - accuracy: 0.8581 Epoch 20/20 126/126 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 929us/step - loss: 0.3099 - accuracy: 0.8644 Out[58]:

test_loss, test_accuracy &＃61; model.evaluate(test_data)print("\nTest Loss: {}, Test Accuracy: {}".format(test_loss,test_accuracy))

输出&＃xff1a;

53/53 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 0s 906us/step - loss: 0.4588 - accuracy: 0.8561Test Loss: 0.45877906680107117, Test Accuracy: 0.8560606241226196 In [60]:

predictions &＃61; model.predict(test_data)for prediction, survived in zip(predictions[:10], list(test_data)[0][1][:10]):prediction &＃61; tf.sigmoid(prediction).numpy()print("Predicted survied: {:.2%}".format(prediction[0]),"| Actual outcome: ",("survived" if bool(survived) else "died"))

输出&＃xff1a;