import numpy as np import tensorflow as tf from keras.models import Sequential from keras.layers import Dense, Activation, Dropout, Flatten from keras.layers.convolutional import Conv2D, MaxPooling2D from keras.utils import np_utils from keras.datasets import mnist from keras import backend as K from keras.optimizers import Adam import skfuzzy as fuzz import pandas as pd from sklearn.model_selection import train_test_split # 绘制损失曲线 import matplotlib.pyplot as plt import time from sklearn.metrics import accuracy_score data = pd.read_excel(r"D:\pythonProject60\filtered_data1.xlsx") # 读取数据文件 # Split data into input and output variables X = data.iloc[:, :-1].values y = data.iloc[:, -1].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 导入MNIST数据集 # 数据预处理 y_train = np_utils.to_categorical(y_train, 3) y_test = np_utils.to_categorical(y_test, 3) # 创建DNFN模型 start_time=time.time() model = Sequential() model.add(Dense(64, input_shape=(11,), activation='relu')) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(3, activation='softmax')) # 编译模型 model.compile(loss='categorical_crossentropy', optimizer=Adam(), metrics=['accuracy']) # 训练模型 history = model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10, batch_size=128) # 使用DNFN模型进行预测 y_pred = model.predict(X_test) y_pred= np.argmax(y_pred, axis=1) print(y_pred) # 计算模糊分类 fuzzy_pred = [] for i in range(len(y_pred)): fuzzy_class = np.zeros((3,)) fuzzy_class[y_pred[i]] = 1.0 fuzzy_pred.append(fuzzy_class) fuzzy_pred = np.array(fuzzy_pred) end_time = time.time() print("Total time taken: ", end_time - start_time, "seconds")获得结果并分析

根据你提供的代码，你使用了一个基于神经网络的模型（DNFN）来对数据进行分类。你的数据集包含11个输入特征和3个类别。在数据预处理阶段，你使用了one-hot编码来将类别转换为二进制向量，以方便神经网络进行训练。

通过训练模型并在测试集上进行预测，你得到了一个预测准确率，也可以使用sklearn中的accuracy_score函数来计算准确率。

另外，你还使用了模糊分类来对预测结果进行分析。模糊分类是一种将分类结果表示为概率分布的技术，它可以帮助我们更好地理解分类结果。在这里，你使用了skfuzzy库来执行模糊分类，并将预测结果转换为概率分布。

最后，你还打印了总共花费的时间，这可以帮助你评估模型的效率。