1.网络模型(数据集为CWRU)
代码实现了一个基于DAE的分类模型，用于对给定数据集进行分类。首先，通过DAE模型对原始数据进行特征提取和降维，然后使用分类模型将提取的特征与标签相匹配，以便对新数据进行分类。
代码的主要流程:
- 导入所需的Python库，包括os、numpy、pandas、tensorflow等。
- 加载数据和标签，将标签转换为one-hot编码形式。
- 对数据集进行划分，分为训练集和测试集。
- 搭建一个深度自编码神经网络（DAE）模型，用于特征提取和降维。
- 训练DAE模型，以学习到压缩数据的表示，并将其用于后续的分类任务。
- 获取DAE模型的编码器部分的输出，用于训练分类模型。
- 搭建一个分类模型，用于对数据进行分类。
- 训练分类模型，以学习如何将编码器输出与标签相对应，以便对新的数据进行分类。
2.效果（展示图中epoch为1000,当epoch为2000更佳）
2.1.0HP训练集曲线
.
2.2.0HP训练集损失曲线
2.3.0HP测试集准确率曲线
2.4.0HP测试集损失曲线
2.1HP
2HP
3HP
import os
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers, models, optimizers
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from keras.utils import np_utils
from collections import Counter
#代码：https://mbd.pub/o/bread/ZJialJ5v
