Реализовать функцию, которая получает набор данных (df) и которая:
Удаляет нулевые значения из набора данных.
Преобразует категориальные столбцы ["виды"], ["остров"], ["пол"] в числовые.
Рассматривайте столбец ["пол"] как основу истины.
Определите количество классы в наборе данных (nc)
Выделите 90% набора данных для процесса обучения, также используя параметр random_state=21
Обучите плотную нейронную сеть с:
Плотным слоем с 256 единицами и активацией relu
Плотным слоем со 128 единицами и активацией relu
Плотным слоем с 64 единицами и активацией relu активация relu
Плотный слой с сигмовидной активацией (назначьте количество единиц, наблюдаемое для задач классификации)
Скомпилируйте модель с параметрами:оптимизатор=tf.keras.optimizers.SGD(), loss='sparse_categorical_crossentropy', metrics=['accuracy']
Обучайтесь для 10 эпох.
Вернуть количество классов (nc)
Вернуть потери модели
Вернуть точность модели
Примечание: вы можете использовать функцию pandas pd.factorize для преобразования категориальных столбцов в числовые:
