你没有用交叉熵损失函数优化

非常抱歉，我犯了一个错误。让我为你提供使用交叉熵损失函数进行优化的代码：

import pandas as pd
import numpy as np
import tensorflow as tf
from sklearn.model_selection import train_test_split

# 读取训练数据集
data = pd.read_excel('q2.xlsx')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 将标签进行独热编码
y = pd.get_dummies(y).values

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建模型
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(64, input_shape=(X_train.shape[1],), activation='relu'))
model.add(tf.keras.layers.Dense(32, activation='relu'))
model.add(tf.keras.layers.Dense(y_train.shape[1], activation='softmax'))

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

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)

# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)

# 加载新的特征数据进行预测
new_data = pd.read_excel('q2空白.xlsx')
new_X = new_data.iloc[:, :].values
new_X = (new_X - np.mean(X_train, axis=0)) / np.std(X_train, axis=0)

# 预测新的数据
predictions = model.predict(new_X)
predicted_labels = np.argmax(predictions, axis=1)
print('预测标签：', predicted_labels)

这个代码片段使用了交叉熵损失函数进行模型优化。