### 使用 TensorFlow 2.10 构建和训练模型 在 TensorFlow 2.10 中可以直接构建和训练机器学习模型而无需依赖 `scikit-learn` 库。下面是一个完整的流程，包括数据准备、模型创建、编译以及训练。 #### 数据准备 为了简化说明，这里采用随机生成的数据作为示例： ```python import tensorflow as tf import numpy as np # 创建虚拟数据集 np.random.seed(42) X_train = np.random.rand(100, 10).astype(np.float32) # 训练输入特征 y_train = (X_train[:, :5].sum(axis=1) > X_train[:, 5:].sum(axis=1)).astype(int) # 基于简单规则产生的标签 ``` #### 定义模型结构 使用 Keras API 来定义神经网络架构： ```python model = tf.keras.Sequential([ tf.keras.layers.Dense(units=64, activation='relu', input_shape=(10,), name="input_layer"), tf.keras.layers.Dropout(rate=0.2), tf.keras.layers.Dense(units=32, activation='relu'), tf.keras.layers.Dense(units=1, activation='sigmoid') ]) ``` #### 编译模型 指定损失函数、优化器及其配置参数来完成模型的编译过程： ```python model.compile( optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.BinaryCrossentropy(), metrics=[tf.keras.metrics.BinaryAccuracy()] ) ``` #### 模型训练 调用 fit 方法启动训练循环，并传入训练数据与相应的超参设置： ```python history = model.fit(X_train, y_train, epochs=10, batch_size=8, validation_split=0.2) ``` 上述代码展示了如何仅依靠 TensorFlow 实现一个简单的二分类任务，从头到尾都没有引入任何来自 `scikit-learn` 的组件[^1]。