import pandas as pd import numpy as np import sklearn from sklearn.neural_network import MLPClassifier from sklearn.model_selection import train_test_split df=pd.read_csv("D:/Users/dell/Desktop/taxDetection.csv") data=np.array(df) x=data[:,:11] y=data[:,11] #axis=0表示输出矩阵是1行，也就是求每一列的平均值 x_mean = x.mean(axis =0) x_std = x.std(axis=0) x_scaled = (x-x_mean) / x_std #random_state:int 或RandomState，可选，默认None，随机数生成器的状态或种子。 X_train, X_test, y_train, y_test =train_test_split(x_scaled,y,test_size=0.25,random_state = 0,stratify=y) #hidden_layer_sizes :例如hidden_layer_sizes=(50, 50)，表示有两层隐藏层，第一层隐藏层有50个神经元，第二层也有50个神经元 #sgd：随机梯度下降 #max_iter: int，可选，默认200，最大迭代次数 a=MLPClassifier(solver='sgd',hidden_layer_sizes=(50,50,50),max_iter=3000) a.fit(X_train,y_train) print("Accuracy on training set:{:.2f}".format(a.score(X_train,y_train))) print("Accuracy on test set:{:.2f}".format(a.score(X_test,y_test)))在这段代码中加入特征工程

以下是一个可以对给定的代码进行特征工程的示例：

import pandas as pd 
import numpy as np 
from sklearn.neural_network import MLPClassifier 
from sklearn.model_selection import train_test_split 
from sklearn.preprocessing import StandardScaler

# 加载数据
df = pd.read_csv("D:/Users/dell/Desktop/taxDetection.csv")  
data = np.array(df) 
x = data[:,:11] 
y = data[:,11]  

# 特征工程
scaler = StandardScaler()
x_scaled = scaler.fit_transform(x)

# 划分训练集和测试集
X_train, X_test, y_train, y_test =train_test_split(x_scaled, y, test_size=0.25, random_state=0, stratify=y) 

# 训练神经网络模型
mlp = MLPClassifier(solver='sgd', hidden_layer_sizes=(50,50,50), max_iter=3000) 
mlp.fit(X_train, y_train) 

# 输出模型精度
print("Accuracy on training set: {:.2f}".format(mlp.score(X_train, y_train))) 
print("Accuracy on test set: {:.2f}".format(mlp.score(X_test, y_test)))

这段代码使用了 `StandardScaler` 类进行特征缩放，将原始数据进行标准化处理，使特征数据的均值为0，方差为1。这有助于提高神经网络模型的训练效果。然后，我们使用 `train_test_split` 函数将数据划分成训练集和测试集。最后，我们使用 `MLPClassifier` 类训练神经网络模型，并输出模型在训练集和测试集上的精度。需要注意的是，这里只是一个简单的特征工程示例，实际应用中可能需要更复杂的特征工程处理。