Machine learning 使用神经网络在房价数据集中获得适当的误差需要多少小时的训练

我是机器学习新手，我正在尝试在这个数据集上使用keras实现线性回归。虽然我认为经典机器学习更适合这个问题，但我想用神经网络来学习它。我已经做了特征选择，删除了一些相互之间高度相关的特征，现在剩下8个特征。我已经对我的功能进行了规范化，但没有对标签进行规范化。我读过并且知道神经网络通常需要时间来训练，我只想问这个问题，以防止我在一个可能不起作用的模型上投入更多的时间。现在，我正在训练一个采用这种设计的模型：

model = Sequential()
model.add(Dense(10, inputshape = (10, ) , activation =LeakyReLU()))         
model.add(Dense(7, activation=LeakyReLU())) 
model.add(Dense(1)) 
model.compile(optimizer ="adam", loss = "meansquarederror", metrics = ["meansquared_error"])

现在，已经过去了13000个时代和8个小时，我仍然得到： 损失：66127403415.9417-平均平方误差：66127421440.0000-价值损失：75086529026.4872-平均平方误差：75086495744.0000

---

虽然我可以看到损失一直在缓慢改善（开始时约为3000亿美元）。那么，需要多少个小时的培训才能在这个数据集上获得适当的错误？我做得对吗？

培训时间取决于各种因素：主要的可培训模型参数数量，这实际上取决于您的模型大小，然后是培训数据、时代等。需要注意的是硬件，可以是CPU或GPU或TPU，CPU上的培训非常慢。简单地说，您可以粗略地、模糊地通过（总的\u no\u of \u epochs*Unit\u time）/（每个\u Unit\u time的epochs\u）进行计算。如果你考虑每1小时10个纪元，那么（ToothNosioFi EngChs* 1）/（10）感谢响应！我的问题是3000亿美元的起始损失正常吗？而在13000个时代之后，损失的减少相当缓慢？减少损失是正常的，是的，你可以预期它会在最初阶段以更快的速度减少，然后以较慢的速度减少。损失值取决于您使用的损失函数或目标。对我来说，这听起来有点太多了，但我没有使用MSE作为损失，因此我无法对其进行判断。训练时间取决于各种因素：主要可训练模型参数的数量，这确实取决于您的模型大小，然后是训练数据、纪元等。需要注意的是硬件，可以是CPU或GPU或TPU，CPU的训练速度非常慢。简单来说，你可以粗略而模糊地计算（总的\u no\u of \u epochs*Unit\u time）/（epochs\u per\u Unit\u time）。如果你考虑每1小时10个纪元，那么（ToothNosioFi EngChs* 1）/（10）感谢响应！我的问题是3000亿美元的起始损失正常吗？而在13000个时代之后，损失的减少相当缓慢？减少损失是正常的，是的，你可以预期它会在最初阶段以更快的速度减少，然后以较慢的速度减少。损失值取决于您使用的损失函数或目标。这对我来说听起来有点太多了，但我并没有用MSE作为损失，所以我无法对它进行判断。