MLP Classificação

import tensorflow as tf
import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

dadosBreastCancer = load_breast_cancer()
entradaDeDadosBreastCancer, saidaDeDadosBreastCancer = dadosBreastCancer.data, dadosBreastCancer.target
entradaDeDadosBreastCancerTreino, entradaDeDadosBreastCancerTeste, saidaDeDadosBreastCancerTreinamento, saidaDeDadosBreastCancerTeste = train_test_split(entradaDeDadosBreastCancer, saidaDeDadosBreastCancer, test_size=0.3, random_state=1)

print(entradaDeDadosBreastCancer.shape[0])


model = tf.keras.models.Sequential([
  tf.keras.Input(shape=(entradaDeDadosBreastCancer.shape[1],)),
  tf.keras.layers.Dense(32, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(32, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(2, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(entradaDeDadosBreastCancer, saidaDeDadosBreastCancer, epochs=100)

print("Acuracia no treinamento",model.evaluate(entradaDeDadosBreastCancerTreino,  saidaDeDadosBreastCancerTreinamento, verbose=2)
)

print("Acuracia no test", model.evaluate(entradaDeDadosBreastCancerTeste,  saidaDeDadosBreastCancerTeste, verbose=2)
)