本文是DataCamp《Deep Learning in Python》课程的学习笔记，代码部分包含regression和classification2个练习，练习数据为DataCamp提供的Hourly wages。
注：数据的选择和代码的编写仅是为了练习。
1. 数据
Hourly wages包含534条工资记录，每条记录分为10列，第1列为wage per hour，其余各列为个人特征，如性别、婚姻状况、年龄、工作时间、受教育时间等等。
2. 问题
regression：利用个人特征（第2-10列）预测wage per hour（第1列）。
classification：利用个人特征（第1-6列、第8-10列）预测婚姻状况（第7列）。
2. 准备工作
● 安装Anaconda（Python 3.7）；
● 在Anaconda Prompt下依次安装mingw libpython、theano和keras；
● 启动Jupyter Notebook；
3. 代码部分
● regression
X为predictor，y为target，列的选取采用iloc；
optimizer选择"adam"，loss选择"mean_squared_error"；
● classification
"marr"为target，其余列为predictor，列的选取使用drop；
建模前，"marr"需用to_categorical转换为2元矩阵；
模型最后一层的activation选择"softmax"；
编译时，loss选择"categorical_crossentropy"，metrics选择"accuracy"；
建模时，将样本总数的20%单独作为validation数据，并加入EarlyStopping机制，epoch数为3（即patience为3）；
红色标记显示，validation loss score在epoch3时为0.6876，之后的3个epoch显示，该指标没有进一步下降，因此，model.fit停止；
