diff --git a/ArtificialClassification.py b/ArtificialClassification.py
new file mode 100644
index 0000000..18b7ef8
--- /dev/null
+++ b/ArtificialClassification.py
@@ -0,0 +1,38 @@
+
+import pandas as pd
+import numpy as np
+
+# 读取Excel文件
+df = pd.read_excel('data/data_src.xlsx')
+
+# 提取10个因子的列数据
+factor_columns = ['躯体化','强迫症状','人际关系敏感','抑郁','焦虑','敌对','恐怖','偏执','精神病性','其他']
+factors_data = df[factor_columns]
+#factors_data = df.iloc[:, 34:44]
+
+# 计算每行中因子分值大于等于3的数量
+factors_above_3 = factors_data.ge(3).sum(axis=1)
+# print(factors_above_3)
+# input()
+
+# 计算精神病性因子分值大于等于4的数量
+psychotic_above_4 = df['精神病性'].ge(4)
+
+# 划分等级类别
+df['Level'] = None
+df.loc[(factors_above_3 >= 8) | psychotic_above_4, 'Level'] = 1
+df.loc[(factors_above_3 >= 1) & (factors_above_3 <= 7), 'Level'] = 2
+df.loc[(factors_above_3 >= 1) & (factors_above_3 < 3), 'Level'] = 3
+df.loc[factors_above_3 < 1, 'Level'] = 4
+
+# 选择需要保留的列数据
+selected_columns = ['编号']+factor_columns + ['Level']
+selected_data = df[selected_columns]
+
+# 重置行索引，确保顺序与之前的Excel一致
+#selected_data = selected_data.reset_index(drop=True)
+selected_data = selected_data.sort_index()
+
+# 写入新的Excel文件
+selected_data.to_excel('output_excel_file.xlsx', index=False)
+
diff --git a/output_excel_file.xlsx b/output_excel_file.xlsx
new file mode 100644
index 0000000..b973e59
Binary files /dev/null and b/output_excel_file.xlsx differ
diff --git a/readme.txt b/readme.txt
new file mode 100644
index 0000000..7ba5308
--- /dev/null
+++ b/readme.txt
@@ -0,0 +1,7 @@
+nn.BCEWithLogitsLoss()和nn.CrossEntropyLoss()最后一层都不需要激活函数，这两个函数中都带有激活函数的计算，softmax函数如果被执行两次，可能会数据溢出精度
+
+样本需要先归一化，特别是sigmoid输出时，否者也会溢出，反正会出问题
+
+增加中间的神经元数量可以提高效果，1%到2%的提升
+
+使用nn.BCEWithLogitsLoss()函数时，计算每一次训练的准确度，需要手动sigmoid一次