Machine learning 用Keras提高神经网络的精度

下面是我试图做的代码，但我的准确率总是低于50%，所以我想知道我应该如何解决这个问题？我想做的是使用1885年的第一个每日单位销售数据作为输入，使用1885年的剩余每日单位销售数据作为输出。在对这些数据进行训练之后，我需要用它来预测未来20多个日销售量 我在这里使用的数据在这个链接中提供

这是我得到的

情节也很奇怪：

两个错误：

在回归设置中，精度无意义，例如您的设置（仅对分类设置有意义）；参见（使用MAE损失时，参数相同，如此处所示）。您在这里的绩效衡量与您的损失（即MAE）相同

除了分类模型的最后一层，我们从不在任何地方使用

softmax

激活；将模型中使用的

softmax

激活函数替换为

relu

（保持最后一层不变，因为没有激活意味着

线性

，这确实是回归的正确方法）

---

嗨，保罗，欢迎你。你可以补充一些你想做的事情的澄清吗？输入数据是什么？培训目标是什么？您是否对输入数据和标签进行了可视化，以确保其正确性？您好！谢谢你的回复。我的模型的输入：从第1天到第1885天的每日单位销售额数据，我的模型的输出是从第1886天到第1913天的预测单位每日销售额。但是，我不知道如何训练我的模型，使其最适合提供的输出数据。还有一些分类变量，如部门、地点等。我只是简单地对它们进行了计算，但我不确定我是否走上了正确的道路，因为我得到了建设性的答复（和投票）。提供一个详细的背景，让你想解决你的问题，这会有很大帮助。从你的损失曲线上看，你的模型似乎在学习一些东西，所以你可以试着训练更长的时间。Softmax似乎是针对您的问题的错误激活函数（输出的概率总和为1）。对于每日单位销售额（大于等于0），请坚持使用ReLU。对于预测问题，人们已经使用递归神经网络和LSTM取得了一些成功。如果你认为有一些潜在的动力你想在你的预测中发现和使用，也可以查看库普曼分析。

import pandas as pd
import numpy as np
import keras
import keras.backend as k
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.callbacks import EarlyStopping
from sklearn import preprocessing
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

data = pd.read_csv('sales_train.csv')
#Since there are 3 departments and 10 store from  3 different areas, thus I categorized the data into 30 groups and numerize them
Unique_dept = data["dept_id"].unique()
Unique_state = data['state_id'].unique()
Unique_store = data["store_id"].unique()
data0 = data.copy()
for i in range(3):
    data0["dept_id"] = data0["dept_id"].replace(to_replace=Unique_dept[i], value = i)
    data0["state_id"] = data0["state_id"].replace(to_replace=Unique_state[i], value = i)
for j in range(10):
    data0["store_id"] = data0["store_id"].replace(to_replace=Unique_store[j], value = int(Unique_store[j][3]) -1)

# Select the three numerized categorical variables and daily unit sale data
pt = 6 + 1885 
X = pd.concat([data0.iloc[:,2],data0.iloc[:, 4:pt]], axis = 1)
Y = data0.iloc[:, pt:]

# Remove the daily unit sale data that are highly correlated to each other (corr > 0.9)
correlation = X.corr(method = 'pearson')
corr_lst = []
for i in correlation:
    for j in correlation:
        if (i != j) & (correlation[i][j] >= 0.9) & (j not in corr_lst) & (i not in corr_lst):
            corr_lst.append(i)  

x = X.drop(corr_lst, axis = 1)
x_value = x.values
y_value = Y.values

sc = StandardScaler()
X_scale = sc.fit_transform(x_value)

X_train, X_val_and_test, Y_train, Y_val_and_test = train_test_split(x_value, y_value, test_size=0.2)
X_val, X_test, Y_val, Y_test = train_test_split(X_val_and_test, Y_val_and_test, test_size=0.5)
print(X_train.shape, X_val.shape, X_test.shape, Y_train.shape, Y_val.shape, Y_test.shape)

#create model
model = Sequential()
#get number of columns in training data
n_cols = X_train.shape[1]
#add model layers
model.add(Dense(32, activation='softmax', input_shape=(n_cols,)))
model.add(Dense(32, activation='relu'))
model.add(Dense(32, activation='softmax'))
model.add(Dense(1))

#compile model using rmsse as a measure of model performance
model.compile(optimizer='Adagrad', loss= "mean_absolute_error", metrics = ['accuracy'])

#set early stopping monitor so the model stops training when it won't improve anymore early_stopping_monitor = EarlyStopping(patience=3)
early_stopping_monitor = EarlyStopping(patience=20)
#train model
model.fit(X_train, Y_train,batch_size=32, epochs=10, validation_data=(X_val, Y_val))