sklearn包中的StandardScaler函数可以方便对数据进行去均值和方差归一化处理。首先定义一个对象，sc = StandardScaler()，然后把数据集放进去就可以直接输出一个标准化完成的数据集。输出的数据集如上图所示。

#使用keras包搭建人工神经网络
import keras
#序贯（Sequential）模型包
from keras.models import Sequential
#神经网络层
from keras.layers import Dense
#优化器
from keras.optimizers import SGD
#创建一个空的神经网络模型
classifier = Sequential()

我们利用keras包来交轻松的完成人工神经网络的搭建。首先载入一个序贯（Sequential）模型。序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。可以通过向Sequential模型传递一个layer的list来构造该模型，也可以通过.add()方法一个个的将layer加入模型中。本文采用.add()方法将2层神经网络输入模型中。优化器的选择是SGD，因为本来数据量比较小，而且训练次数也不多，所以选择最贱简答的SGD。平时对于性能的有要求的可以使用Adam优化器。

#创建输入层
classifier.add(Dense(units = 3, kernel_initializer = 'uniform', activation = 'relu', input_dim = 6))
#创建输出层
classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation = 'sigmoid'))

将神经网络的输入输出层添加到模型中。

Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。

units：大于0的整数，代表该层的输出维度。一般为输入项的一半，但是真正合适的值还是要经过多次训练才能得出。

activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）。本文用的relu和sigmoid。都是最基础的。

bias_initializer：偏置向量初始化方法，为预定义初始化方法名的字符串，或用于初始化偏置向量的初始化器。不同的层可能使用不同的关键字来传递初始化方法，一般来说指定初始化方法的关键字。本文用的Glorot均匀分布初始化方法，又成Xavier均匀初始化，参数从[-limit, limit]的均匀分布产生，其中limit为sqrt(6 / (fan_in + fan_out))。fan_in为权值张量的输入单元数，fan_out是权重张量的输出单元数。

形如(batch_size, ..., input_dim)的nD张量，最常见的情况为(batch_size, input_dim)的2D张量。

classifier.compile(loss='binary_crossentropy',
optimizer=SGD(),
metrics=['accuracy'])
history = classifier.fit(x_train, y_train,
batch_size=10,
epochs=100,
validation_data=(x_test, y_test))

y_pred = classifier.predict(x_test)
y_pred

y_pred = (y_pred > 0.5)
y_pred.shape
y_pred.flatten().astype(int)

from sklearn.metrics import accuracy_score
accuracy_score(y_test, y_pred )

from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred )
cm

from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))