怎么将csv文件中perfor列（这一列的数字只有1，2，3这三个数值）作为因变量，'target_num','support_num', 'p_num','bg_score','update_score','text_acc','update_acc','similarity', 'topic', 'update'作为自变量，使用CNN构建三分类预测模型，并画出loss曲线图，同时计算AUC,accuracy,recall和f1值

首先，我们需要将csv文件中的数据加载到Pandas数据框中。然后，我们可以使用Sklearn的train_test_split函数将数据集分为训练集和测试集。接下来，我们需要对自变量进行标准化处理，以便CNN能够更好地学习特征。最后，我们可以使用Keras库中的Sequential模型构建CNN模型，并使用训练数据训练模型。在训练过程中，我们可以跟踪每个时期的损失，并绘制损失曲线图。在完成训练后，我们可以使用测试数据集进行模型评估，并计算AUC、准确率、召回率和F1值。

以下是完整的Python代码实现：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from keras.models import Sequential
from keras.layers import Dense, Conv1D, Flatten
from keras.callbacks import History
from sklearn.metrics import roc_auc_score, accuracy_score, recall_score, f1_score
import matplotlib.pyplot as plt

# 加载数据
data = pd.read_csv('data.csv')

# 将perfor列作为因变量，其他列作为自变量
X = data[['target_num','support_num', 'p_num','bg_score','update_score','text_acc','update_acc','similarity', 'topic',  'update']]
y = data['perfor']

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 对自变量进行标准化处理
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 将数据集重塑为CNN模型所需的形状
X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1))
X_test = X_test.reshape((X_test.shape[0], X_test.shape[1], 1))

# 定义CNN模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(X_train.shape[1], 1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(3, activation='softmax'))

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

# 训练模型
history = History()
model.fit(X_train, pd.get_dummies(y_train), epochs=50, batch_size=32, validation_data=(X_test, pd.get_dummies(y_test)), callbacks=[history])

# 绘制损失曲线图
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='test')
plt.legend()
plt.show()

# 模型评估
y_pred = np.argmax(model.predict(X_test), axis=1)
y_test = pd.Categorical(y_test, categories=[1, 2, 3])
y_test = y_test.codes

auc = roc_auc_score(pd.get_dummies(y_test), model.predict_proba(X_test), multi_class='ovo')
accuracy = accuracy_score(y_test, y_pred)
recall = recall_score(y_test, y_pred, average='macro')
f1 = f1_score(y_test, y_pred, average='macro')

print('AUC:', auc)
print('Accuracy:', accuracy)
print('Recall:', recall)
print('F1 score:', f1)

在上述代码中，我们首先将perfor列作为因变量，其他列作为自变量，并使用Sklearn的train_test_split函数将数据集拆分为训练集和测试集。然后，我们使用StandardScaler对自变量进行标准化处理，并将数据集重塑为CNN模型所需的形状。接下来，我们构建了一个包含两个卷积层、一个全连接层和一个输出层的CNN模型，并使用训练数据训练模型。在训练过程中，我们跟踪了每个时期的损失，并使用matplotlib库绘制了损失曲线图。最后，我们使用测试数据集评估了模型，并计算了AUC、准确率、召回率和F1值。