仔细回顾一下神经网络到目前的内容，没跟上进度的同学补一下进度。

• 作业：对之前的信贷项目，利用神经网络训练下，尝试用到目前的知识点让代码更加规范和美观。

  # 先运行之前预处理好的代码
  import pandas as pd
  import pandas as pd    #用于数据处理和分析，可处理表格数据。
  import numpy as np     #用于数值计算，提供了高效的数组操作。
  import matplotlib.pyplot as plt    #用于绘制各种类型的图表
  import seaborn as sns   #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
  import warnings
  warnings.filterwarnings("ignore")# 设置中文字体（解决中文显示问题）
  plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统常用黑体字体
  plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号
  data = pd.read_csv('data.csv')    #读取数据# 先筛选字符串变量 
  discrete_features = data.select_dtypes(include=['object']).columns.tolist()
  # Home Ownership 标签编码
  home_ownership_mapping = {'Own Home': 1,'Rent': 2,'Have Mortgage': 3,'Home Mortgage': 4
  }
  data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)# Years in current job 标签编码
  years_in_job_mapping = {'< 1 year': 1,'1 year': 2,'2 years': 3,'3 years': 4,'4 years': 5,'5 years': 6,'6 years': 7,'7 years': 8,'8 years': 9,'9 years': 10,'10+ years': 11
  }
  data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)# Purpose 独热编码，记得需要将bool类型转换为数值
  data = pd.get_dummies(data, columns=['Purpose'])
  data2 = pd.read_csv("data.csv") # 重新读取数据，用来做列名对比
  list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名
  for i in data.columns:if i not in data2.columns:list_final.append(i) # 这里打印出来的就是独热编码后的特征名
  for i in list_final:data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名# Term 0 - 1 映射
  term_mapping = {'Short Term': 0,'Long Term': 1
  }
  data['Term'] = data['Term'].map(term_mapping)
  data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列
  continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist()  #把筛选出来的列名转换成列表# 连续特征用中位数补全
  for feature in continuous_features:     mode_value = data[feature].mode()[0]            #获取该列的众数。data[feature].fillna(mode_value, inplace=True)          #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。# 最开始也说了 很多调参函数自带交叉验证，甚至是必选的参数，你如果想要不交叉反而实现起来会麻烦很多
  # 所以这里我们还是只划分一次数据集
  from sklearn.model_selection import train_test_split
  X = data.drop(['Credit Default'], axis=1)  # 特征，axis=1表示按列删除
  y = data['Credit Default'] # 标签
  # 按照8:2划分训练集和测试集
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 80%训练集，20%测试集
  # 归一化数据，神经网络对于输入数据的尺寸敏感，归一化是最常见的处理方式
  from sklearn.preprocessing import MinMaxScaler
  scaler = MinMaxScaler()
  X_train = scaler.fit_transform(X_train)
  X_test = scaler.transform(X_test) #确保训练集和测试集是相同的缩放
  import torch
  import torch.nn as nn
  import torch.optim as optim
  # 正确写法：统一使用 torch.tensor()，并指定 dtype 和 device
  X_train = torch.tensor(X_train, dtype=torch.float32, device=device)
  y_train = torch.tensor(y_train, dtype=torch.long, device=device)X_test = torch.tensor(X_test, dtype=torch.float32, device=device)
  y_test = torch.tensor(y_test, dtype=torch.long, device=device)
  class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Moduledef __init__(self): # 初始化函数super(MLP, self).__init__() # 调用父类的初始化函数# 前三行是八股文，后面的是自定义的self.fc1 = nn.Linear(31, 10)  # 输入层到隐藏层self.relu = nn.ReLU()self.fc2 = nn.Linear(10, 2)  # 隐藏层到输出层
  # 输出层不需要激活函数，因为后面会用到交叉熵函数cross_entropy，交叉熵函数内部有softmax函数，会把输出转化为概率def forward(self, x):out = self.fc1(x)out = self.relu(out)out = self.fc2(out)return out# 实例化模型并移至GPU
  model = MLP().to(device)# 分类问题使用交叉熵损失函数
  criterion = nn.CrossEntropyLoss()# 使用随机梯度下降优化器
  optimizer = optim.SGD(model.parameters(), lr=0.001)# 训练模型
  num_epochs = 20000  # 训练的轮数# 用于存储每100个epoch的损失值和对应的epoch数
  losses = []
  epochs = []start_time = time.time()  # 记录开始时间# 创建tqdm进度条
  with tqdm(total=num_epochs, desc="训练进度", unit="epoch") as pbar:# 训练模型for epoch in range(num_epochs):# 前向传播outputs = model(X_train)  # 隐式调用forward函数loss = criterion(outputs, y_train)# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()# 记录损失值并更新进度条if (epoch + 1) % 200 == 0:losses.append(loss.item())epochs.append(epoch + 1)# 更新进度条的描述信息pbar.set_postfix({'Loss': f'{loss.item():.4f}'})# 每1000个epoch更新一次进度条if (epoch + 1) % 1000 == 0:pbar.update(1000)  # 更新进度条# 确保进度条达到100%if pbar.n < num_epochs:pbar.update(num_epochs - pbar.n)  # 计算剩余的进度并更新time_all = time.time() - start_time  # 计算训练时间
  print(f'Training time: {time_all:.2f} seconds')

  @浙大疏锦行