RN - Classificação Binária

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.compose import ColumnTransformer
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils

csv = pd.read_csv('planos.csv', sep=',')
csv = csv.drop(columns=['nome'])

#Ajusta
le = LabelEncoder()
csv['estado civil'] = le.fit_transform(csv['estado civil']) #Estado Civil (0-casado|1-solteiro|2-viuvo)
csv['genero'] = le.fit_transform(csv['genero']) #Gênero (0-feminino|1-masculino)
csv['risco'] = le.fit_transform(csv['risco']) #Risco (0-alto|1-baixo|2-medio)
dados = csv.values

#Separa
atributos = dados[:,0:3]
classificadores = dados[:,3]
classificadores = np_utils.to_categorical(classificadores)

#Ajusta os atributos para classificações binários
ct = ColumnTransformer([('binarios', OneHotEncoder(), [2])], remainder='passthrough')
atributos = ct.fit_transform(atributos)

#Criando o modelo
modelo = Sequential()
modelo.add(Dense(units=5, activation='relu'))
modelo.add(Dense(units=5, activation='relu'))
modelo.add(Dense(units=3, activation='softmax')) #A soma de todos não ultrapassa 1

modelo.compile(optimizer='adam',  loss = 'categorical_crossentropy', metrics = ['categorical_accuracy'])
modelo.fit(atributos, classificadores, batch_size=50, epochs=500)

#Identificando a classificação de um novo usuário
#Estado Civil (0-casado|1-solteiro|2-viuvo)
#Gênero (0-feminino|1-masculino)
novos = np.array([
    [80, 2, 1],
    [27, 0, 0],
    [35, 1, 1]
])
novos = ct.transform(novos)

resultado = modelo.predict(novos)

#Ordem Alfabética - Risco (0-alto|1-baixo|2-medio)
print(resultado)