jupyter notebook怎么跑模型

### 如何在 Jupyter Notebook 中运行机器学习或深度学习模型

#### 创建并启动 Jupyter Notebook 实例
为了开始使用 Jupyter Notebook 进行开发，需先创建一个新的笔记本文件。这通常可以通过点击浏览器界面中的 "New" 按钮并选择 Python 版本来完成[^1]。

#### 导入必要的库
对于大多数机器学习和深度学习任务来说，在第一个代码单元格导入所需的Python包是非常重要的操作之一。例如TensorFlow, PyTorch 或者 Scikit-Learn等框架：

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

#### 数据预处理阶段
加载数据集之后，应该对其进行清洗、转换以便于后续建模工作。这部分可以利用Pandas和其他辅助函数来实现高效的数据管理[^2]:

data = pd.read_csv('dataset.csv')
X = data.drop(columns=['target'])
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

#### 构建与训练模型
定义好架构后即可编译并拟合所选的算法到训练样本上；这里以简单的全连接神经网络为例说明如何用 Keras API 来搭建一个分类器:

model = Sequential([
    Dense(64, activation='relu', input_shape=(input_dim,)),
    Dense(output_classes, activation='softmax')
])

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

history = model.fit(X_train, y_train,
                    epochs=epochs,
                    batch_size=batch_size,
                    validation_data=(X_val, y_val))

#### 测试与评估性能
最后一步是对测试集中未见过的新实例执行预测，并计算相应的评价指标如准确率、召回率等等，从而判断系统的有效性[^3].

loss, accuracy = model.evaluate(X_test, y_test)
print(f'Test Accuracy: {accuracy}')