以客戶流失數(shù)據(jù)為例叹螟，看 Tensorflow 2.0 版本如何幫助我們快速構(gòu)建表格（結(jié)構(gòu)化）數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)分類模型鹃骂。

變化

表格數(shù)據(jù)，你應(yīng)該并不陌生罢绽。畢竟畏线， Excel 這東西在咱們平時(shí)的工作和學(xué)習(xí)中，還是挺常見的良价。

在之前的教程里寝殴，我為你分享過(guò)蒿叠，如何利用深度神經(jīng)網(wǎng)絡(luò)，鎖定即將流失的客戶蚣常。里面用到的市咽，就是這樣的表格數(shù)據(jù)。

時(shí)間過(guò)得真快拢锹，距離寫作那篇教程载萌，已經(jīng)一年半了辩棒。

這段時(shí)間里，出現(xiàn)了2個(gè)重要的變化谷醉，使我覺得有必要重新來(lái)跟你談?wù)勥@個(gè)話題。

這兩個(gè)變化分別是：

首先冈闭，tflearn 框架的開發(fā)已經(jīng)不再活躍孤紧。

tflearn 是當(dāng)時(shí)教程中我們使用的高階深度學(xué)習(xí)框架，它基于 Tensorflow 之上拒秘，包裹了大量的細(xì)節(jié)号显，讓用戶可以非常方便地搭建自己的模型。

但是躺酒，由于 Tensorflow 選擇擁抱了它的競(jìng)爭(zhēng)者 Keras 押蚤，導(dǎo)致后者的競(jìng)爭(zhēng)優(yōu)勢(shì)凸顯。

對(duì)比二者獲得的星數(shù)羹应，已經(jīng)不在同一量級(jí)揽碘。

觀察更新時(shí)間，tflearn 已經(jīng)幾個(gè)月沒有動(dòng)靜园匹；而 Keras 幾個(gè)小時(shí)之前雳刺，還有更新。

我們選擇免費(fèi)開源框架裸违，一定要使用開發(fā)活躍掖桦、社區(qū)支持完善的。只有這樣供汛，遇到問(wèn)題才能更低成本枪汪、高效率地解決。

看過(guò)我的《Python編程遇問(wèn)題怔昨，文科生怎么辦雀久？》一文之后，你對(duì)上述結(jié)論趁舀，應(yīng)該不陌生赖捌。

另一項(xiàng)新變化，是 Tensorflow 發(fā)布了 2.0 版本矮烹。

相對(duì) 1.X 版本越庇，這個(gè)大版本的變化奋隶，我在《如何用 Python 和 BERT 做中文文本二元分類？》一文中悦荒，已經(jīng)粗略地為你介紹過(guò)了唯欣。簡(jiǎn)要提煉一下，就是：

之前的版本搬味，以計(jì)算圖為中心境氢。開發(fā)者需要為這張圖服務(wù)。因此碰纬，引入了大量的不必要術(shù)語(yǔ)萍聊。新版本以人為中心，用戶撰寫高階的簡(jiǎn)潔語(yǔ)句悦析，框架自動(dòng)將其轉(zhuǎn)化為對(duì)應(yīng)的計(jì)算圖寿桨。

之前的版本，缺少目前競(jìng)爭(zhēng)框架（如 PyTorch 等）包含的新特性强戴。例如計(jì)算圖動(dòng)態(tài)化亭螟、運(yùn)行中調(diào)試功能等。

但對(duì)普通開發(fā)者來(lái)說(shuō)骑歹，最為重要的是预烙，官方文檔和教程變得對(duì)用戶友好許多。不僅寫得清晰簡(jiǎn)明道媚，更靠著 Google Colab 的支持扁掸，全都能一鍵運(yùn)行。我嘗試了 2.0 版本的一些教程樣例最域，確實(shí)感覺大不一樣了谴分。

其實(shí)你可能會(huì)覺得奇怪—— Tensorflow 大張旗鼓宣傳的大版本改進(jìn)，其實(shí)也無(wú)非就是向著 PyTorch 早就有的功能靠攏而已嘛镀脂。那我干脆去學(xué) PyTorch 好了牺蹄！

如果我們只說(shuō)道理，這其實(shí)沒錯(cuò)狗热。然而钞馁，還是前面那個(gè)論斷，一個(gè)框架好不好匿刮，主要看是否開發(fā)活躍、社區(qū)支持完善探颈。這就是一個(gè)自證預(yù)言熟丸。一旦人們都覺得 Tensorflow 好用，那么 Tensorflow 就會(huì)更好用伪节。因?yàn)闀?huì)有更多的人參與進(jìn)來(lái)光羞，幫助反饋和改進(jìn)绩鸣。

看看現(xiàn)在 PyTorch 的 Github 頁(yè)面。

受關(guān)注度纱兑，確實(shí)已經(jīng)很高了呀闻。

然而你再看看 Tensorflow 的。

至少在目前潜慎，二者根本不在一個(gè)數(shù)量級(jí)捡多。

Tensorflow 的威力，不只在于本身構(gòu)建和訓(xùn)練模型是不是好用铐炫。那其實(shí)只是深度學(xué)習(xí)中垒手，非常小的一個(gè)環(huán)節(jié)。不信倒信？你在下圖里找找看科贬。

真正的問(wèn)題，在于是否有完整的生態(tài)環(huán)境支持鳖悠。其中的邏輯榜掌，我在《學(xué) Python ，能提升你的競(jìng)爭(zhēng)力嗎乘综？》一文中唐责，已經(jīng)為你詳細(xì)分析過(guò)了。

而 Tensorflow 瘾带，早就通過(guò)一系列的布局鼠哥，使得其訓(xùn)練模型可以直接快速部署，最快速度鋪開看政，幫助開發(fā)者占領(lǐng)市場(chǎng)先機(jī)朴恳。

如果你使用 PyTorch ，那么這樣的系統(tǒng)允蚣，是相對(duì)不完善的于颖。當(dāng)然你可以在 PyTorch 中訓(xùn)練，然后轉(zhuǎn)換并且部署到 Tensorflow 里面嚷兔。畢竟三巨頭達(dá)成了協(xié)議森渐，標(biāo)準(zhǔn)開放，這樣做從技術(shù)上并不困難冒晰。

但是同衣，人的認(rèn)知帶寬，是非常有限的壶运。大部分人耐齐，是不會(huì)選擇在兩個(gè)框架甚至生態(tài)系統(tǒng)之間折騰的。這就是路徑依賴。

所以埠况，別左顧右盼了耸携，認(rèn)認(rèn)真真學(xué) Tensorflow 2.0 吧。

這篇文章里面辕翰，我給你介紹夺衍，如何用 Tensorflow 2.0 ，來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)喜命，對(duì)用戶流失數(shù)據(jù)建立分類模型沟沙，從而可以幫你見微知著，洞察風(fēng)險(xiǎn)渊抄，提前做好干預(yù)和防范尝胆。

數(shù)據(jù)

你手里擁有的，是一份銀行歐洲區(qū)客戶的數(shù)據(jù)护桦，共有10000條記錄含衔。客戶主要分布在法國(guó)二庵、德國(guó)和西班牙贪染。

數(shù)據(jù)來(lái)自于匿名化處理后的真實(shí)數(shù)據(jù)集，下載自 superdatascience 官網(wǎng)催享。

從表格中杭隙，可以讀取的信息，包括客戶們的年齡因妙、性別痰憎、信用分?jǐn)?shù)、辦卡信息等攀涵∠吃牛客戶是否已流失的信息在最后一列（Exited）。

這份數(shù)據(jù)以故，我已經(jīng)上傳到了這個(gè)地址蜗细，你可以下載，并且用 Excel 查看怒详。

環(huán)境

本文的配套源代碼炉媒，我放在了這個(gè) Github 項(xiàng)目中。請(qǐng)你點(diǎn)擊這個(gè)鏈接（http://t.cn/EXffmgX）訪問(wèn)昆烁。

如果你對(duì)我的教程滿意吊骤，歡迎在頁(yè)面右上方的 Star 上點(diǎn)擊一下，幫我加一顆星善玫。謝謝水援！

注意這個(gè)頁(yè)面的中央密强，有個(gè)按鈕茅郎，寫著“在 Colab 打開” (Open in Colab)蜗元。請(qǐng)你點(diǎn)擊它。

然后系冗，Google Colab 就會(huì)自動(dòng)開啟奕扣。

我建議你點(diǎn)一下上圖中紅色圈出的 “COPY TO DRIVE” 按鈕。這樣就可以先把它在你自己的 Google Drive 中存好掌敬，以便使用和回顧惯豆。

Colab 為你提供了全套的運(yùn)行環(huán)境。你只需要依次執(zhí)行代碼奔害，就可以復(fù)現(xiàn)本教程的運(yùn)行結(jié)果了楷兽。

如果你對(duì) Google Colab 不熟悉，沒關(guān)系华临。我這里有一篇教程芯杀，專門講解 Google Colab 的特點(diǎn)與使用方式。

為了你能夠更為深入地學(xué)習(xí)與了解代碼雅潭，我建議你在 Google Colab 中開啟一個(gè)全新的 Notebook 揭厚，并且根據(jù)下文，依次輸入代碼并運(yùn)行扶供。在此過(guò)程中筛圆，充分理解代碼的含義。

這種看似笨拙的方式椿浓，其實(shí)是學(xué)習(xí)的有效路徑太援。

代碼

首先，我們下載客戶流失數(shù)據(jù)集扳碍。

!wget https://raw.githubusercontent.com/wshuyi/demo-customer-churn-ann/master/customer_churn.csv

載入 Pandas 數(shù)據(jù)分析包提岔。

import pandas as pd

利用 read_csv 函數(shù)，讀取 csv 格式數(shù)據(jù)到 Pandas 數(shù)據(jù)框左腔。

df = pd.read_csv('customer_churn.csv')

我們來(lái)看看前幾行顯示結(jié)果：

df.head()

顯示正常唧垦。下面看看一共都有哪些列。

df.columns

我們對(duì)所有列液样，一一甄別振亮。

• RowNumber：行號(hào)，這個(gè)對(duì)于模型沒用鞭莽，忽略
• CustomerID：用戶編號(hào)坊秸，這個(gè)是順序發(fā)放的，忽略
• Surname：用戶姓名澎怒，對(duì)流失沒有影響褒搔，忽略
• CreditScore：信用分?jǐn)?shù)，這個(gè)很重要，保留
• Geography：用戶所在國(guó)家/地區(qū)星瘾，這個(gè)有影響走孽，保留
• Gender：用戶性別，可能有影響琳状，保留
• Age：年齡磕瓷，影響很大，年輕人更容易切換銀行念逞，保留
• Tenure：當(dāng)了本銀行多少年用戶困食，很重要，保留
• Balance：存貸款情況翎承，很重要硕盹，保留
• NumOfProducts：使用產(chǎn)品數(shù)量，很重要叨咖，保留
• HasCrCard：是否有本行信用卡瘩例，很重要，保留
• IsActiveMember：是否活躍用戶芒澜，很重要仰剿，保留
• EstimatedSalary：估計(jì)收入，很重要痴晦，保留
• Exited：是否已流失南吮，這將作為我們的標(biāo)簽數(shù)據(jù)

確定了不同列的含義和價(jià)值，下面我們處理起來(lái)誊酌，就得心應(yīng)手了部凑。

數(shù)據(jù)有了，我們來(lái)調(diào)入深度學(xué)習(xí)框架碧浊。

因?yàn)楸敬挝覀冃枰褂?Tensorflow 2.0 涂邀，而寫作本文時(shí)，該框架版本尚處于 Alpha 階段箱锐，因此 Google Colab 默認(rèn)使用的比勉，還是 Tensorflow 1.X 版本。要用 2.0 版驹止，便需要顯式安裝浩聋。

!pip install -q tensorflow==2.0.0-alpha0

安裝框架后，我們載入下述模塊和函數(shù)臊恋，后文會(huì)用到衣洁。

import numpy as np
import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split
from tensorflow import feature_column

這里，我們?cè)O(shè)定一些隨機(jī)種子值抖仅。這主要是為了保證結(jié)果可復(fù)現(xiàn)坊夫，也就是在你那邊的運(yùn)行結(jié)果砖第，和我這里盡量保持一致。這樣我們觀察和討論問(wèn)題环凿，會(huì)更方便梧兼。

首先是 Tensorflow 中的隨機(jī)種子取值，設(shè)定為 1 拷邢。

tf.random.set_seed(1)

然后我們來(lái)分割數(shù)據(jù)袱院。這里使用的是 Scikit-learn 中的 train_test_split 函數(shù)屎慢。指定分割比例即可瞭稼。

我們先按照 80:20 的比例，把總體數(shù)據(jù)分成訓(xùn)練集和測(cè)試集腻惠。

train, test = train_test_split(df, test_size=0.2, random_state=1)

然后环肘，再把現(xiàn)有訓(xùn)練集的數(shù)據(jù)，按照 80:20 的比例集灌，分成最終的訓(xùn)練集悔雹，以及驗(yàn)證集。

train, valid = train_test_split(train, test_size=0.2, random_state=1)

這里欣喧，我們都指定了 random_state 腌零，為的是保證咱們隨機(jī)分割的結(jié)果一致。

我們看看幾個(gè)不同集合的長(zhǎng)度唆阿。

print(len(train))
print(len(valid))
print(len(test))

驗(yàn)證無(wú)誤益涧。下面我們來(lái)做特征工程（feature engineering）。

因?yàn)槲覀兪褂玫氖潜砀駭?shù)據(jù)（tabular data）驯鳖，屬于結(jié)構(gòu)化數(shù)據(jù)闲询。因此特征工程相對(duì)簡(jiǎn)單一些。

先初始化一個(gè)空的特征列表浅辙。

feature_columns = []

然后扭弧，我們指定，哪些列是數(shù)值型數(shù)據(jù)（numeric data）记舆。

numeric_columns = ['CreditScore', 'Age', 'Tenure', 'Balance', 'NumOfProducts', 'EstimatedSalary']

可見鸽捻，包含了以下列：

• CreditScore：信用分?jǐn)?shù)
• Age：年齡
• Tenure：當(dāng)了本銀行多少年用戶
• Balance：存貸款情況
• NumOfProducts：使用產(chǎn)品數(shù)量
• EstimatedSalary：估計(jì)收入

對(duì)于這些列，只需要直接指定類型泽腮，加入咱們的特征列表就好御蒲。

for header in numeric_columns:
  feature_columns.append(feature_column.numeric_column(header))

下面是比較講究技巧的部分了，就是類別數(shù)據(jù)盛正。

先看看都有哪些列：

categorical_columns = ['Geography', 'Gender', 'HasCrCard', 'IsActiveMember']

• Geography：用戶所在國(guó)家/地區(qū)
• Gender：用戶性別
• HasCrCard：是否有本行信用卡
• IsActiveMember：是否活躍用戶

類別數(shù)據(jù)的特點(diǎn)删咱，在于不能直接用數(shù)字描述。例如 Geography 包含了國(guó)家/地區(qū)名稱豪筝。如果你把法國(guó)指定為1痰滋， 德國(guó)指定為2摘能，電腦可能自作聰明，認(rèn)為“德國(guó)”是“法國(guó)”的2倍敲街，或者团搞，“德國(guó)”等于“法國(guó)”加1。這顯然不是我們想要表達(dá)的多艇。

所以我這里編了一個(gè)函數(shù)逻恐，把一個(gè)類別列名輸入進(jìn)去，讓 Tensorflow 幫我們將其轉(zhuǎn)換成它可以識(shí)別的類別形式峻黍。例如把法國(guó)按照 [0, 0, 1]复隆，德國(guó)按照 [0, 1, 0] 來(lái)表示。這樣就不會(huì)有數(shù)值意義上的歧義了姆涩。

def get_one_hot_from_categorical(colname):
  categorical = feature_column.categorical_column_with_vocabulary_list(colname, train[colname].unique().tolist())
  return feature_column.indicator_column(categorical)

我們嘗試輸入 Geography 一項(xiàng)挽拂，測(cè)試一下函數(shù)工作是否正常。

geography = get_one_hot_from_categorical('Geography'); geography

觀察結(jié)果骨饿，測(cè)試通過(guò)亏栈。

下面我們放心大膽地把所有類別數(shù)據(jù)列都在函數(shù)里面跑一遍，并且把結(jié)果加入到特征列表中宏赘。

for col in categorical_columns:
  feature_columns.append(get_one_hot_from_categorical(col))

看看此時(shí)的特征列表內(nèi)容：

feature_columns

6個(gè)數(shù)值類型绒北，4個(gè)類別類型，都沒問(wèn)題了察署。

下面該構(gòu)造模型了闷游。

我們直接采用 Tensorflow 2.0 鼓勵(lì)開發(fā)者使用的 Keras 高級(jí) API 來(lái)拼搭一個(gè)簡(jiǎn)單的深度神經(jīng)網(wǎng)絡(luò)模型。

from tensorflow.keras import layers

我們把剛剛整理好的特征列表箕母，利用 DenseFeatures 層來(lái)表示储藐。把這樣的一個(gè)初始層，作為模型的整體輸入層嘶是。

feature_layer = layers.DenseFeatures(feature_columns); feature_layer

下面钙勃，我們順序疊放兩個(gè)中間層，分別包含200個(gè)聂喇，以及100個(gè)神經(jīng)元辖源。這兩層的激活函數(shù)，我們都采用 relu 希太。

relu 函數(shù)大概長(zhǎng)這個(gè)樣子：

model = keras.Sequential([
  feature_layer,
  layers.Dense(200, activation='relu'),
  layers.Dense(100, activation='relu'),
  layers.Dense(1, activation='sigmoid')
])

我們希望輸出結(jié)果是0或者1克饶，所以這一層只需要1個(gè)神經(jīng)元，而且采用的是 sigmoid 作為激活函數(shù)誊辉。

sigmoid 函數(shù)的長(zhǎng)相是這樣的：

模型搭建好了矾湃，下面我們指定3個(gè)重要參數(shù)，編譯模型堕澄。

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

這里邀跃，我們選擇優(yōu)化器為 adam 霉咨。

因?yàn)樵u(píng)判二元分類效果，所以損失函數(shù)選的是 binary_crossentropy拍屑。

至于效果指標(biāo)途戒，我們使用的是準(zhǔn)確率（accuracy）。

模型編譯好之后僵驰。萬(wàn)事俱備喷斋，只差數(shù)據(jù)了。

你可能納悶蒜茴，一上來(lái)不就已經(jīng)把訓(xùn)練星爪、驗(yàn)證和測(cè)試集分好了嗎？

沒錯(cuò)矮男，但那只是原始數(shù)據(jù)移必。我們模型需要接收的，是數(shù)據(jù)流毡鉴。

在訓(xùn)練和驗(yàn)證過(guò)程中，數(shù)據(jù)都不是一次性灌入模型的秒赤。而是一批次一批次分別載入猪瞬。每一個(gè)批次，稱作一個(gè) batch入篮；相應(yīng)地陈瘦，批次大小，叫做 batch_size 潮售。

為了方便咱們把 Pandas 數(shù)據(jù)框中的原始數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)流痊项。我這里編寫了一個(gè)函數(shù)。

def df_to_tfdata(df, shuffle=True, bs=32):
  df = df.copy()
  labels = df.pop('Exited')
  ds = tf.data.Dataset.from_tensor_slices((dict(df), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(df), seed=1)
  ds = ds.batch(bs)
  return ds

這里首先是把數(shù)據(jù)中的標(biāo)記拆分出來(lái)酥诽。然后根據(jù)把數(shù)據(jù)讀入到 ds 中鞍泉。根據(jù)是否是訓(xùn)練集，我們指定要不要需要打亂數(shù)據(jù)順序肮帐。然后咖驮，依據(jù) batch_size 的大小，設(shè)定批次训枢。這樣托修，數(shù)據(jù)框就變成了神經(jīng)網(wǎng)絡(luò)模型喜聞樂見的數(shù)據(jù)流。

train_ds = df_to_tfdata(train)
valid_ds = df_to_tfdata(valid, shuffle=False)
test_ds = df_to_tfdata(test, shuffle=False)

這里恒界，只有訓(xùn)練集打亂順序睦刃。因?yàn)槲覀兿Ｍ?yàn)證和測(cè)試集一直保持一致。只有這樣十酣，不同參數(shù)下涩拙，對(duì)比的結(jié)果才有顯著意義枣宫。

有了模型架構(gòu)，也有了數(shù)據(jù)吃环，我們把訓(xùn)練集和驗(yàn)證集扔進(jìn)去也颤，讓模型嘗試擬合。這里指定了郁轻，跑5個(gè)完整輪次（epochs）翅娶。

model.fit(train_ds,
          validation_data=valid_ds,
          epochs=5)

你會(huì)看到，最終的驗(yàn)證集準(zhǔn)確率接近80%好唯。

我們打印一下模型結(jié)構(gòu)：

model.summary()

雖然我們的模型非常簡(jiǎn)單竭沫，卻也依然包含了23401個(gè)參數(shù)。

下面骑篙，我們把測(cè)試集放入模型中蜕提，看看模型效果如何。

model.evaluate(test_ds)

依然靶端，準(zhǔn)確率接近80%谎势。

還不錯(cuò)吧？

……

真的嗎杨名？

疑惑

如果你觀察很仔細(xì)脏榆，可能剛才已經(jīng)注意到了一個(gè)很奇特的現(xiàn)象：

訓(xùn)練的過(guò)程中，除了第一個(gè)輪次外台谍，其余4個(gè)輪次的這幾項(xiàng)重要指標(biāo)居然都沒變须喂！

它們包括：

• 訓(xùn)練集損失
• 訓(xùn)練集準(zhǔn)確率
• 驗(yàn)證集損失
• 驗(yàn)證集準(zhǔn)確率

所謂機(jī)器學(xué)習(xí)，就是不斷迭代改進(jìn)啊趁蕊。如果每一輪下來(lái)坞生，結(jié)果都一模一樣，這難道不奇怪嗎掷伙？難道沒問(wèn)題嗎是己？

我希望你，能夠像偵探一樣炎咖，揪住這個(gè)可疑的線索赃泡，深入挖掘進(jìn)去。

這里乘盼，我給你個(gè)提示升熊。

看一個(gè)分類模型的好壞，不能只看準(zhǔn)確率（accuracy）绸栅。對(duì)于二元分類問(wèn)題级野，你可以關(guān)注一下 f1 score，以及混淆矩陣（confusion matrix）。

如果你驗(yàn)證了上述兩個(gè)指標(biāo)蓖柔，那么你應(yīng)該會(huì)發(fā)現(xiàn)真正的問(wèn)題是什么辰企。

下一步要窮究的，是問(wèn)題產(chǎn)生的原因况鸣。

回顧一下咱們的整個(gè)兒過(guò)程牢贸，好像都很清晰明了，符合邏輯啊镐捧。究竟哪里出了問(wèn)題呢潜索？

如果你一眼就看出了問(wèn)題。恭喜你懂酱，你對(duì)深度學(xué)習(xí)已經(jīng)有感覺了竹习。那么我繼續(xù)追問(wèn)你，該怎么解決這個(gè)問(wèn)題呢列牺？

歡迎你把思考后的答案在留言區(qū)告訴我整陌。

對(duì)于第一名全部回答正確上述問(wèn)題的讀者，我會(huì)邀請(qǐng)你作為嘉賓瞎领，免費(fèi)（原價(jià)199元）加入我本年度的知識(shí)星球泌辫。當(dāng)然，前提是你愿意默刚。

小結(jié)

希望通過(guò)本文的學(xué)習(xí)甥郑，你已掌握了以下知識(shí)點(diǎn)：

1. Tensorflow 2.0 的安裝與使用；
2. 表格式數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)分類模型構(gòu)建荤西；
3. 特征工程的基本流程；
4. 數(shù)據(jù)集合的隨機(jī)分割與利用種子數(shù)值保持一致伍俘；
5. 數(shù)值型數(shù)據(jù)列與類別型數(shù)據(jù)列的分別處理方式邪锌；
6. Keras 高階 API 的模型搭建與訓(xùn)練；
7. 數(shù)據(jù)框轉(zhuǎn)化為 Tensorflow 數(shù)據(jù)流癌瘾；
8. 模型效果的驗(yàn)證觅丰；
9. 缺失的一環(huán)，也即本文疑點(diǎn)產(chǎn)生的原因妨退，以及正確處理方法妇萄。

希望本教程對(duì)于你處理表格型數(shù)據(jù)分類任務(wù)，能有幫助咬荷。

祝深度學(xué)習(xí)愉快冠句！

延伸閱讀

你可能也會(huì)對(duì)以下話題感興趣。點(diǎn)擊鏈接就可以查看幸乒。

• 如何高效學(xué) Python 懦底？
• 如何用 Python 和 fast.ai 做圖像深度遷移學(xué)習(xí)？
• 如何用 Python 和深度遷移學(xué)習(xí)做文本分類罕扎？
• 如何用 Python 和 BERT 做中文文本二元分類聚唐？
• 《文科生數(shù)據(jù)科學(xué)上手指南》分享

喜歡請(qǐng)點(diǎn)贊和打賞丐重。還可以微信關(guān)注和置頂我的公眾號(hào)“玉樹芝蘭”(nkwangshuyi)。

如果你對(duì) Python 與數(shù)據(jù)科學(xué)感興趣杆查，不妨閱讀我的系列教程索引貼《如何高效入門數(shù)據(jù)科學(xué)扮惦？》，里面還有更多的有趣問(wèn)題及解法亲桦。