深度学习非线性分类器构建与性能评估：基于 TensorFlow 框架

首先，需要选择一个深度学习框架，如 TensorFlow、PyTorch 等。在此假设选择 TensorFlow。

构造一个非线性分类器，可以使用深度神经网络。以下是一个简单的示例：

import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(input_size,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(num_classes, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=10, validation_split=0.2)

# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)
print('Test accuracy:', accuracy)

其中，input_size 表示输入数据的特征数，num_classes 表示类别数。x_train 和 y_train 表示训练集数据和标签，x_test 和 y_test 表示测试集数据和标签。

将训练集按照 8:2 拆分，可以使用 train_test_split 函数：

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(data, labels, test_size=0.2)

调整超参数并获得最优的超参数，可以使用网格搜索或随机搜索等方法。以下是一个简单的示例：

from sklearn.model_selection import GridSearchCV
from tensorflow.keras.wrappers.scikit_learn import KerasClassifier

# 定义模型函数
def create_model(activation='relu', optimizer='adam'):
    model = tf.keras.Sequential([
        tf.keras.layers.Dense(64, activation=activation, input_shape=(input_size,)),
        tf.keras.layers.Dense(64, activation=activation),
        tf.keras.layers.Dense(num_classes, activation='softmax')
    ])
    model.compile(optimizer=optimizer,
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

# 定义参数网格
param_grid = {
    'activation': ['relu', 'tanh', 'sigmoid'],
    'optimizer': ['adam', 'sgd', 'rmsprop']
}

# 创建 Keras 分类器
model = KerasClassifier(build_fn=create_model, epochs=10, batch_size=32)

# 进行网格搜索
grid = GridSearchCV(estimator=model, param_grid=param_grid)
grid_result = grid.fit(x_train, y_train)

# 输出结果
print("Best score: %f using %s" % (grid_result.best_score_, grid_result.best_params_))

评估所获得的最优超参数下的分类性能，可以使用 evaluate 函数：

model.set_params(**grid_result.best_params_)
model.fit(x_train, y_train)
loss, accuracy = model.evaluate(x_test, y_test)
print('Test accuracy:', accuracy)