#在上一关基础，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据 #构建神经网络分类模型，返回计算结果模型准确率rv和预测准确率r def return_values(): import numpy as np X1=np.load('X1.npy') #经过缺失值填充、数值变量标准化后的数据集，numpy数组690*15 Y=np.load('Y.npy') #因变量，numpy数组，690个元素 return(rv,r) #********** End **********# 请补全

在这个任务中，我们需要基于给定的数据集 `X1` 和标签 `Y` 构建一个神经网络分类模型，并将数据分为训练集和测试集。以下是完整代码及解释： ```python import numpy as np from sklearn.model_selection import train_test_split from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from sklearn.metrics import accuracy_score def return_values(): # 加载数据 X1 = np.load('X1.npy') # 经过缺失值填充、数值变量标准化后的数据集 (690x15) Y = np.load('Y.npy') # 因变量 (长度为690的一维数组) # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = X1[:600], X1[600:], Y[:600], Y[600:] # 定义并构建简单的神经网络模型 model = Sequential() model.add(Dense(32, input_dim=X_train.shape[1], activation='relu')) # 输入层到隐藏层 model.add(Dense(16, activation='relu')) # 隐藏层 model.add(Dense(1, activation='sigmoid')) # 输出层，二分类问题使用 sigmoid 激活函数 # 编译模型 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 训练模型 model.fit(X_train, y_train, epochs=50, batch_size=32, verbose=0) # 设置 verbose=0 可避免输出冗长信息 # 使用测试集评估模型性能 _, rv = model.evaluate(X_test, y_test, verbose=0) # 返回的第二个值即为模型准确率 # 进行预测 y_pred_prob = model.predict(X_test) y_pred = (y_pred_prob > 0.5).astype(int) # 根据概率阈值生成离散类别预测值 # 计算预测准确率 r = accuracy_score(y_test, y_pred) return rv, r ``` ### **说明** 1. 数据预处理部分已经完成（包括缺失值填充和特征标准化），所以我们直接加载数据即可。 2. 我们采用了一个简单的两层全连接神经网络结构来解决这个问题： - 第一层有 32 个节点，激活函数为 ReLU； - 第二层有 16 个节点，激活函数同样为 ReLU； - 最后一层用于输出单个概率值，激活函数选择 Sigmoid（适用于二分类问题）。 3. 神经网络损失函数选用了适合二分类任务的交叉熵 (`binary_crossentropy`)，优化器选择了常用的 Adam。 4. 测试阶段我们通过 `model.evaluate()` 得到了模型整体准确率 `rv`；同时利用 `sklearn.metrics.accuracy_score` 来计算了预测值与真实值之间的匹配程度作为 `r`。 ---