手撕神经网络红酒数据集

### 使用红酒数据集从零开始实现一个神经网络模型

#### 数据预处理
在构建神经网络之前，需要对红酒数据集进行适当的数据预处理。这一步骤至关重要，因为良好的数据准备能够显著提升模型性能。

- **加载数据**：首先读取并理解红酒数据集的内容和结构[^4]。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载红酒数据集
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv"
data = pd.read_csv(url, sep=';')

X = data.drop('quality', axis=1).values
y = data['quality'].values

- **划分训练集与测试集**：将原始数据划分为训练集和测试集两部分，以便后续评估模型效果。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

- **标准化特征值**：由于不同特征可能具有不同的量纲，因此需对其进行标准化处理，使各维度处于同一数量级上。

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

#### 模型设计
基于上述准备工作之后，接下来定义一个多层感知机（MLP），即一种简单的前馈人工神经网络架构。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([
    Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    Dense(32, activation='relu'),
    Dense(1)  # 输出层只有一个节点用于回归任务
])

model.compile(optimizer='adam',
              loss='mean_squared_error')

此段代码创建了一个包含两个隐藏层的简单全连接神经网络，并选择了均方误差作为损失函数以及Adam优化器来进行参数更新操作[^1]。

#### 训练过程
有了完整的模型配置后就可以开始执行具体的训练工作了：

history = model.fit(X_train_scaled,
                    y_train,
                    epochs=50,
                    batch_size=8,
                    validation_data=(X_test_scaled, y_test))

这段脚本指定了每轮迭代使用的批次大小(batch size)，总共运行多少次epoch数目的循环次数(epoch number), 同时还设置了验证集以监控过拟合情况的发生。

#### 测试阶段
最后，在独立于训练样本之外的新颖实例上来检验最终版本的表现状况:

loss = model.evaluate(X_test_scaled, y_test)

print(f'Test Loss: {loss}')
predictions = model.predict(X_test_scaled)
for i in range(5):
    print(f'Predicted Quality: {predictions[i][0]}, Actual Quality: {y_test[i]}')

通过以上步骤完成了整个建模流程的学习实践，不仅加深了对理论概念的理解程度，同时也掌握了具体实施方法和技术细节[^2]。