上面这个代码的第二部分类准确率太低，请优化第二部算法提高准确率，并写出整个代码

好的，对于这个问题，我们可以使用更为复杂的机器学习模型来实现分类任务，例如使用深度学习模型。在这里，我将使用 TensorFlow 框架来实现一个卷积神经网络（CNN）来提高准确率。下面是整个代码：

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

# 加载数据集
data = np.loadtxt('data.txt', delimiter=',')
X = data[:, :-1]
y = data[:, -1]

# 将数据集分为训练集和测试集
split = int(0.8 * len(X))
X_train = X[:split]
y_train = y[:split]
X_test = X[split:]
y_test = y[split:]

# 将数据集转换为 TensorFlow 张量
X_train_tf = tf.constant(X_train, dtype=tf.float32)
y_train_tf = tf.constant(y_train, dtype=tf.float32)
X_test_tf = tf.constant(X_test, dtype=tf.float32)
y_test_tf = tf.constant(y_test, dtype=tf.float32)

# 定义卷积神经网络模型
model = tf.keras.Sequential([
    layers.Reshape((-1, 1), input_shape=(X_train_tf.shape[1],)),
    layers.Conv1D(32, 3, activation='relu'),
    layers.MaxPooling1D(2),
    layers.Flatten(),
    layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train_tf, y_train_tf, epochs=50, validation_split=0.2)

# 在测试集上评估模型
test_loss, test_acc = model.evaluate(X_test_tf, y_test_tf)
print('Test accuracy:', test_acc)

在这个代码中，我们首先加载数据集并将其分为训练集和测试集。然后，我们将数据集转换为 TensorFlow 张量，并定义了一个卷积神经网络模型。这个模型包含一个卷积层、一个最大池化层、一个展平层和一个全连接层。我们使用 `binary_crossentropy` 作为损失函数，使用 `adam` 优化器进行优化，并在训练过程中监控准确率指标。最后，我们在测试集上评估模型，并输出测试准确率。

通过使用更为复杂的模型，我们可以得到更高的准确率。你可以尝试调整模型的超参数，例如卷积核数量、卷积核大小、池化大小等来进一步提高准确率。