根据data-04-zoo.csv文件完成以下操作： 1.正确读取数据集 2.将x和y进行切分。最后一列是y，其他的数据是x 3.对y标签进行独热编码处理 4.正确搭建网络模型（多分类） 5.进行正确的模型配置 6.训练模型，选择合适的学习率和批次 7.训练模型过程中，使用20%的数据作为验证集 8.绘制训练集和验证集的损失曲线 9.绘制训练集和验证集的准确率曲线 10.将训练好的模型保存，模型名称为model1.h5

以下是你需要完成的代码，注释中有相应的解释：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
from keras.callbacks import ModelCheckpoint, EarlyStopping
import matplotlib.pyplot as plt

# 1. 读取数据集
data = pd.read_csv('data-04-zoo.csv', header=None)

# 2. 切分数据集
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 3. 独热编码处理
y = to_categorical(y)

# 4. 搭建网络模型
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=X.shape[1]))
model.add(Dense(16, activation='relu'))
model.add(Dense(y.shape[1], activation='softmax'))

# 5. 配置模型
model.compile(loss='categorical_crossentropy', optimizer=Adam(lr=0.001), metrics=['accuracy'])

# 6. 训练模型
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
checkpoint = ModelCheckpoint('model1.h5', monitor='val_loss', save_best_only=True, verbose=1)
earlystop = EarlyStopping(monitor='val_loss', patience=10, verbose=1)
history = model.fit(X_train, y_train, batch_size=16, epochs=100, validation_data=(X_val, y_val), callbacks=[checkpoint, earlystop])

# 7. 绘制损失曲线
plt.plot(history.history['loss'], label='train_loss')
plt.plot(history.history['val_loss'], label='val_loss')
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(loc='upper right')
plt.show()

# 8. 绘制准确率曲线
plt.plot(history.history['accuracy'], label='train_acc')
plt.plot(history.history['val_accuracy'], label='val_acc')
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(loc='lower right')
plt.show()

运行以上代码，就可以完成对数据集的操作，并训练出一个多分类模型，同时绘制出训练集和验证集的损失曲线和准确率曲线。最后，训练好的模型会保存在当前目录下，模型名称为model1.h5。