文本分类 - DNN

下面是一个使用深度神经网络（DNN）进行文本分类的示例代码：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.callbacks import EarlyStopping

# 读取数据集
data = pd.read_csv('data.csv')

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data['text'], data['label'], test_size=0.2, random_state=42)

# 特征提取
vectorizer = CountVectorizer()
X_train_vectorized = vectorizer.fit_transform(X_train)
X_test_vectorized = vectorizer.transform(X_test)

# 构建DNN模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(X_train_vectorized.shape[1],)))
model.add(Dropout(0.5))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

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

# 设置早停策略
early_stopping = EarlyStopping(patience=3)

# 训练模型
model.fit(X_train_vectorized, y_train, validation_data=(X_test_vectorized, y_test), 
          epochs=10, batch_size=32, callbacks=[early_stopping])

# 在测试集上评估模型
loss, accuracy = model.evaluate(X_test_vectorized, y_test)
print('Test Loss:', loss)
print('Test Accuracy:', accuracy)

在这个示例中，我们假设数据集存储在名为data.csv的CSV文件中，其中包含两列：text和label，分别表示文本和对应的标签。首先，我们使用train_test_split函数将数据集划分为训练集和测试集。接下来，我们使用CountVectorizer将文本数据转换为向量表示。然后，我们构建了一个包含多个Dense层的神经网络模型，并使用binary_crossentropy作为损失函数进行二元分类。模型的训练会在每个epoch结束时进行早停，以防止过拟合。最后，我们使用evaluate函数在测试集上评估模型的性能。

请根据实际情况修改代码，以适应你的数据集和具体任务。