用python代码实现：用pandas库函数导入excel文件数据集，数据集最后一列为标签，前面为特征。用神经网络进行训练，并输出预测成功率

好的，可以使用以下代码实现：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense

# 读取excel文件
data = pd.read_excel('data.xlsx')

# 获取特征和标签
x = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 将标签进行one-hot编码
num_classes = len(np.unique(y))
y = pd.get_dummies(y)
y = y.values

# 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

# 创建神经网络模型
model = Sequential()
model.add(Dense(64, input_dim=x_train.shape[1], activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

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

# 训练模型
model.fit(x_train, y_train, epochs=50, batch_size=32, verbose=0)

# 输出预测成功率
score = model.evaluate(x_test, y_test, verbose=0)
print('Test accuracy:', score[1])

其中，`data.xlsx`是数据集文件名，需要在代码中替换成实际文件名。此外，我们使用了`pandas`库来读取excel文件，`sklearn`库来进行训练集和测试集的划分，以及`keras`库来创建神经网络模型。在创建模型时，我们采用了两个隐藏层，分别为64个和32个神经元，激活函数为ReLU；输出层的神经元个数为标签类别数，激活函数为Softmax。在编译模型时，我们使用交叉熵作为损失函数，Adam作为优化器，以及准确率作为评估指标。最后，我们使用测试集来评估模型的预测成功率。