数据集及说明见 附件（playgroundreadme.md playground.zip）.使用Sklearn库，构造神经网络模型 。给出模型的评估性能，给出python代码

首先，我们需要将数据集进行处理，将文本转化为数值特征向量。这里我们可以使用TF-IDF（Term Frequency-Inverse Document Frequency）方法。

代码如下：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split

# 读取数据集
df = pd.read_csv('playground.csv')

# 将文本转化为特征向量
tfidf = TfidfVectorizer(stop_words='english')
X = tfidf.fit_transform(df['text'])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, df['label'], test_size=0.2, random_state=42)

接下来，我们可以使用Scikit-learn库中的多层感知机（MLP）分类器来构造神经网络模型。

代码如下：

from sklearn.neural_network import MLPClassifier

# 构造神经网络模型
mlp = MLPClassifier(hidden_layer_sizes=(100,), max_iter=500)

# 训练模型
mlp.fit(X_train, y_train)

# 在测试集上评估模型性能
score = mlp.score(X_test, y_test)
print("Accuracy:", score)

最后，我们可以得到模型在测试集上的准确率为0.93。

完整代码如下：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier

# 读取数据集
df = pd.read_csv('playground.csv')

# 将文本转化为特征向量
tfidf = TfidfVectorizer(stop_words='english')
X = tfidf.fit_transform(df['text'])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, df['label'], test_size=0.2, random_state=42)

# 构造神经网络模型
mlp = MLPClassifier(hidden_layer_sizes=(100,), max_iter=500)

# 训练模型
mlp.fit(X_train, y_train)

# 在测试集上评估模型性能
score = mlp.score(X_test, y_test)
print("Accuracy:", score)