Machine learning Keras模型精度没有提高

我正在尝试训练一个神经网络来预测国际足联18届比赛中的球员在easports的排名（排名在64-99之间）。我正在使用他们的球员数据库（）并将数据处理成训练、测试、训练、测试。每个训练样本都是一个包含7个值的numpy数组…前6个是球员的不同状态（投篮、传球、运球等），最后一个值是球员的位置（我将其映射到1-8之间，具体取决于位置），每个测试值是64-99之间的单个整数，代表该玩家的等级

我尝试了许多不同的超参数，包括将激活函数更改为tanh和relu，并尝试在第一个密集层之后添加一个批处理规范化层（我认为这可能很有用，因为我的一个特性非常小，其他特性在50-99之间），我已经使用了SGD优化器（更改了学习速率、动量，甚至尝试将优化器更改为Adam），尝试了不同的损失函数，添加/删除了退出层，并尝试了模型权重的不同正则化器

model = Sequential()
model.add(Dense(64, input_shape=(7,), 
          kernel_regularizer=regularizers.l2(0.01)))
//batch normalization?
model.add(Activation('sigmoid'))
model.add(Dense(64, kernel_regularizer=regularizers.l2(0.01), 
          activation='sigmoid'))
model.add(Dropout(0.3))
model.add(Dense(32, kernel_regularizer=regularizers.l2(0.01), 
          activation='sigmoid'))
model.add(Dense(1, activation='linear'))
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_absolute_error', metrics=['accuracy'], 
          optimizer=sgd)
model.fit(training_x, training_y, epochs=50, batch_size=128, shuffle=True)

---

当我训练模型时，损失总是nan，精度总是0，尽管我尝试过调整许多不同的参数。但是，如果我从数据中删除最后一个特征，即玩家的位置，并更新第一个密集层的输入形状，模型实际上“训练”无论我改变什么参数，最终的准确率都在6%左右。在这种情况下，我发现该模型仅预测79是玩家的评级。我到底做错了什么？

您可以尝试以下步骤：

使用均方误差损失函数

使用Adam，这将帮助您以较低的学习率（如0.0001或0.001）更快地收敛。否则，请尝试使用RMSprop优化器

使用默认正则化器。实际上没有

由于这是一项回归任务，在除输出层（包括输入层）之外的所有层中使用类似ReLU的激活功能。在输出层中使用线性激活

正如@pooyan在评论中所提到的，规范化功能。请参阅。甚至尝试。使用最好的套件

---

您可以尝试以下步骤：

使用均方误差损失函数

使用Adam，这将帮助您以较低的学习率（如0.0001或0.001）更快地收敛。否则，请尝试使用RMSprop优化器

使用默认正则化器。实际上没有

由于这是一项回归任务，在除输出层（包括输入层）之外的所有层中使用类似ReLU的激活功能。在输出层中使用线性激活

正如@pooyan在评论中所提到的，规范化功能。请参阅。甚至尝试。使用最好的套件

---

在将主题导入网络之前，可能需要对数据进行规范化。在将主题导入网络之前，可能需要对数据进行规范化。