TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 使用Keras构建逻辑回归
锋哥原创的TensorFlow2 Python深度学习视频教程：
https://www.bilibili.com/video/BV1X5xVz6E4w/
课程介绍
本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。
TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 使用Keras实现逻辑回归
在 TensorFlow 2 中使用 Keras 实现逻辑回归是非常简单的。逻辑回归可以看作是一个二分类问题，Keras 提供了非常方便的接口来搭建模型。
逻辑回归虽然名字中有"回归"，但实际上是一种用于二分类问题的线性模型。它通过sigmoid函数将线性输出映射到[0,1]区间，表示属于正类的概率。
下面是使用 TensorFlow 2 和 Keras 实现逻辑回归的示例，使用乳腺癌数据集进行训练和测试。我们将使用 sklearn.datasets.load_breast_cancer 来加载乳腺癌数据集，并使用 Keras 构建一个简单的逻辑回归模型来对其进行分类。
1，乳腺癌数据集介绍
该数据集共有 569 个样本，每个样本有 30 个特征。这些特征是乳腺肿瘤的细胞核属性的量化值，例如半径、纹理、周长、面积、光滑度等。特征数据是通过显微镜分析细胞样本获取的。
特征
每个样本由 30 个特征组成，这些特征描述了肿瘤细胞的几何形状、纹理、面积等。特征的详细描述如下：
半径（radius）: 肿瘤的半径大小
纹理（texture）: 肿瘤表面的纹理粗糙度
周长（perimeter）: 肿瘤的外周长
面积（area）: 肿瘤的表面积
平滑度（smoothness）: 细胞核边缘的平滑度
其他的特征还包括紧凑度、对称性、均匀性等。
类别标签
目标变量（即标签）只有两个类别：
恶性肿瘤（Malignant，标记为 0）
良性肿瘤（Benign，标记为 1）
数据集的特点
样本数：569个样本
特征数：30个特征（所有特征都是数字型）
类别数：2（良性或恶性）
数据分布：在 569 个样本中，357 个为良性肿瘤，212 个为恶性肿瘤。
2，Keras实例
import tensorflow as tf
from keras import Input, layers
from sklearn.datasets import load_breast_cancer
# 1,加载乳腺癌数据集
data = load_breast_cancer()
X = data.data
y = data.target
print(X, y)
print(data.feature_names)
print(X.shape, y.shape)
# 2,构建逻辑回归模型
model = tf.keras.models.Sequential([ Input(shape=(X.shape[1],)), layers.Dense(1, activation='sigmoid') # 使用sigmoid激活函数
])
# 3,模型编译
model.compile( optimizer='adam', loss='binary_crossentropy', # 损失函数 二分类交叉熵 metrics=['accuracy'] # 评估指标 accuracy准确率
)
# 4,模型训练
history = model.fit(X, y, epochs=100, batch_size=32, validation_split=0.2, verbose=1)
print(type(history))
print(f"最终准确率: {history.history['accuracy'][-1]:.4f}")运行结果：
3，训练历史History
keras.src.callbacks.History 对象是 Keras 中用于存储模型训练过程中各项指标历史的类，通常作为 fit() 函数的返回值。通过 History 对象，你可以访问训练过程中各个 epoch 的训练和验证指标，包括损失、精度、学习率等。
使用场景：
在模型训练过程中，History 对象会记录每个 epoch 结束时的训练和验证指标。你可以利用这些数据进行后续分析或可视化，帮助你了解模型的学习过程。
主要功能：
存储训练过程中的历史数据：
History对象包含了每个 epoch 的训练和验证损失（loss）、精度（accuracy）等指标。获取历史数据： 通过
history.history属性，你可以访问包含训练过程中的所有指标的字典。方便的可视化： 你可以直接利用
History对象中的数据来绘制损失曲线、准确率曲线等图表，从而分析模型的训练情况。
属性：
history
：一个字典，存储每个 epoch 中的训练和验证指标。例如：
'loss': 训练过程中的损失值。'accuracy': 训练过程中的准确率。'val_loss': 验证集上的损失值（如果有验证集的话）。'val_accuracy': 验证集上的准确率（如果有验证集的话）。
我们可以通过matplotlib来看下损失值的可视化图表：
from matplotlib import pyplot as plt
history.history.keys()
plt.plot(history.epoch, history.history['loss'], label='loss')
也可以看下准确率图表：
plt.plot(history.epoch, history.history['accuracy'], label='accuracy')