实现二分类神经网络，并用酒驾检测数据集评估其分类性能。 提示:可使用 rng.random()等方法生成随机值初始化权重与偏差参数

实现一个简单的二分类神经网络，我们可以使用Python的深度学习库Keras，配合TensorFlow或PyTorch。这里我们以Keras为例，假设你有一个预处理过的酒驾检测数据集，包含特征（如车辆速度、驾驶员疲劳度等）和标签（是否酒驾，0表示未酒驾，1表示酒驾）。以下是创建模型的基本步骤：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 首先，假设你的数据已经分为训练集X_train, y_train 和测试集X_test, y_test
# 数据预处理：归一化或标准化
X_train, X_test = ... # 归一化处理后的特征数组
y_train, y_test = ... # 标签数组

# 定义模型结构，一个隐藏层神经网络
model = Sequential()
model.add(Dense(32, input_dim=X_train.shape[1], activation='relu'))  # 输入层，32个节点，ReLU激活
model.add(Dense(16, activation='relu'))  # 隐藏层，16个节点
model.add(Dense(1, activation='sigmoid'))  # 输出层，1个节点，用于二分类，sigmoid作为激活函数

# 初始化权重和偏置（可以使用random_normal或glorot_uniform）
rng = np.random.RandomState(42)
model.layers[0].kernel_initializer = 'uniform'
model.layers[0].bias_initializer = rng.uniform(low=-0.05, high=0.05)
model.layers[1].kernel_initializer = 'uniform'
model.layers[1].bias_initializer = rng.uniform(low=-0.05, high=0.05)

# 编译模型，设定损失函数（binary_crossentropy）、优化器（SGD或Adam）和评价指标（accuracy）
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
history = model.fit(X_train, y_train, epochs=50, validation_data=(X_test, y_test))

# 评估模型性能
score = model.evaluate(X_test, y_test, verbose=0)
print("Test accuracy:", score[1])