这是一个基于TensorFlow的神经网络模型，用于银行营销数据预测，判断客户是否会订阅定期存款。

/workspace/
├── neural_network_model.py  # 主要的神经网络模型类
├── test_model.py           # 模型测试脚本
├── demo.py                 # 模型演示脚本
├── requirements.txt        # 项目依赖
├── data/                   # 数据文件夹
│   ├── train.csv          # 训练数据
│   ├── test.csv           # 测试数据
│   └── val_unlabeled.csv  # 验证数据（无标签）
├── training_history.png    # 训练历史图表
└── confusion_matrix.png    # 混淆矩阵图表

pip install -r requirements.txt

该项目使用银行营销数据集，包含以下特征：

• age: 年龄
• job: 职业类型
• marital: 婚姻状况
• education: 教育水平
• default: 是否有信用卡违约
• balance: 账户余额
• housing: 是否有住房贷款
• loan: 是否有个人贷款
• contact: 联系方式
• day: 最后一次联系日期
• month: 最后一次联系月份
• duration: 最后一次联系时长（秒）
• campaign: 本次活动联系次数
• pdays: 距离上次联系天数
• previous: 之前联系次数
• poutcome: 之前营销结果
• y: 目标变量（是否订阅定期存款）

神经网络模型包含以下层：

1. 输入层: 128个神经元，ReLU激活函数
2. Dropout层: 30%的神经元随机失活
3. 隐藏层1: 64个神经元，ReLU激活函数
4. Dropout层: 30%的神经元随机失活
5. 隐藏层2: 32个神经元，ReLU激活函数
6. Dropout层: 20%的神经元随机失活
7. 输出层: 1个神经元，Sigmoid激活函数（二分类）

python neural_network_model.py

这将执行以下步骤：

• 加载和预处理数据
• 构建神经网络模型
• 训练模型
• 评估模型性能
• 生成训练历史和混淆矩阵图表

python test_model.py

这将测试模型的基本功能和新数据预测能力。

python demo.py

这将展示如何使用训练好的模型对新客户数据进行预测。

在测试数据上的性能指标：

• 准确率: ~94%
• 精确率: ~92%
• 召回率: ~97%
• F1分数: ~94%

• ✅ 完整的数据预处理流程
• ✅ 自动处理分类变量编码
• ✅ 特征标准化
• ✅ 早停机制防止过拟合
• ✅ 模型性能评估
• ✅ 可视化训练过程
• ✅ 混淆矩阵可视化
• ✅ 新数据预测功能

• TensorFlow 2.13.0: 深度学习框架
• Pandas: 数据处理
• NumPy: 数值计算
• Scikit-learn: 机器学习工具
• Matplotlib/Seaborn: 数据可视化

from neural_network_model import BankMarketingNN

# 创建模型实例
model = BankMarketingNN()

# 加载数据
model.load_data('path/to/train.csv', 'path/to/test.csv')

# 数据预处理
model.preprocess_data()

# 构建模型
model.build_model(input_dim=len(model.feature_columns))

# 训练模型
model.train_model(epochs=50, batch_size=32)

# 评估模型
accuracy, y_pred, y_pred_proba = model.evaluate_model()

1. 确保数据文件路径正确
2. 新数据需要经过相同的预处理流程
3. 模型使用CPU进行训练，如需GPU加速请配置CUDA环境
4. 训练时间取决于数据大小和硬件配置

1. 尝试不同的网络架构
2. 调整超参数（学习率、批次大小等）
3. 添加更多特征工程技术
4. 实现交叉验证
5. 添加模型保存和加载功能