PIMA INDIAN DIABETES DATASET 

import  tensorflow as tf 

import numpy as np

from tensorflow import keras

import os 

pimadsurl = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv"

filepath = "/content/pimads.csv"

if (os.path.exists(filepath) == False) : 

  tf.keras.utils.get_file(filepath , origin = pimadsurl )

# # first neural network with keras tutorial

# from numpy import loadtxt

# from keras.models import Sequential

# from keras.layers import Dense

# load the dataset

dataset = np.loadtxt(filepath, delimiter=',')

# split into input (X) and output (y) variables

X = dataset[:,0:8]

y = dataset[:,8]

# define the keras model

model = keras.models.Sequential()

model.add(keras.layers.Dense(12, input_dim=8, activation='relu'))

model.add(keras.layers.Dense(8, activation='relu'))

model.add(keras.layers.Dense(1, activation='sigmoid'))

# compile the keras model

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# fit the keras model on the dataset

model.fit(X, y, epochs=150, batch_size=10, 

          verbose=0 #verbose = 0 means do not show the progressbar

          )

# evaluate the keras model

_, accuracy = model.evaluate(X, y)

print('Accuracy: %.2f' % (accuracy*100))

# make class predictions with the model

predictions = model.predict_classes(X)

# summarize the first 5 cases

for i in range(5):

  print('%s => %d (expected %d)' % (X[i].tolist(), predictions[i], y[i]))

# /usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/engine/sequential.py:450: UserWarning: `model.predict_classes()` is deprecated and will be removed after 2021-01-01. Please use instead:* `np.argmax(model.predict(x), axis=-1)`,   if your model does multi-class classification   (e.g. if it uses a `softmax` last-layer activation).* `(model.predict(x) > 0.5).astype("int32")`,   if your model does binary classification   (e.g. if it uses a `sigmoid` last-layer activation).

#   warnings.warn('`model.predict_classes()` is deprecated and '