Python 当神经网络无法映射数据之间的关系时，原因是什么？

我有一个回归问题，我应该预测方向（方位角）和与数据集中其他特征（例如加速度、速度、经度、纬度等）的距离。这对于神经网络来说应该是一项简单的任务，但是我的神经网络模型不能适应数据。它从一个大的损失值开始，然后缓慢下降，直到达到6000，这是一个不可接受的损失值，它停留在那里，就像被卡住了一样。首先，我想这可能是因为我预测的是两个输出，而不是一个，所以我尝试通过创建两个独立的神经网络来分割任务，一个负责预测距离，另一个负责预测方位，但这也没有帮助，我注意到网络不知何故陷入了高损耗值。我的意思是，他们开始学习，在最初的5到10个阶段已经做得很好，但后来他们坚持下来，不再进步。现在我不是这个领域的初学者，我尝试通过添加层、神经元等来改变优化器、网络的复杂性，对输入进行规范化或标准化，但这些都没有帮助。我开始认为数据可能有问题，毕竟这是一个回归问题，而不是一个分类问题，我认为数据中的异常值或诸如此类的东西会严重影响分类问题。不幸的是，我在数据科学或如何处理数据方面没有很好的知识。。我读过关于日志转换之类的东西，但我没有正确理解。所以我的问题是，这是我的神经网络无法学习的原因吗？我正在寻求一个建议，我应该或者可以如何预处理我的数据，以及如何确定它是否是一个数据问题

我的数据是一个csv文件，我用熊猫加载它，在特征选择之后，我只有6个特征和1个输出，所以我的输入形状是（40000，6），输出是（40000，1）。我还使用这个函数来规范化我的输入（正如您所看到的，我正在尝试z_分数和minmax规范化，但这没有帮助）：

这是我与pytorch的神经网络模型声明：

class BearingNetwork(nn.Module):
    def __init__(self, n_features=X.shape[1], n_out=1):
        super().__init__()
        self.model = nn.Sequential(

            nn.Linear(n_features, 140), 
            nn.ReLU(),
            nn.Linear(140, 64),
            nn.ReLU(),
            nn.Linear(64, n_out),
        )

    def forward(self, x):
        out = self.model(x)
        return out

然后我使用skorch API，因为它实现了pytorch模型的自动交叉验证（skorch只是pytorch的一个scikit学习包装器，但我也使用了pytorch并获得了相同的结果）：

我读了很多博客，了解如何对数据进行预处理，但不知何故很难理解。例如，我尝试使用seaborn绘制一对地块，结果如下：

---

我如何解释这些数据？这个曲线图是否显示我的数据不好？我找到的大多数教程都显示了简单的数据集，这些数据集具有线性关系和正相关或负相关，但在我的例子中，没有线性关系，正如我从图表中看到的那样。我希望有人能在这方面指导我。我已经挣扎了三个星期了，我什么都试过了。我最后的希望是为我的数据集找到一些转换，以便网络能够更好地学习数据，因为我确信我的模型实现没有问题，因为我使用了pytorch、skorch和keras，并且我总是得到相同的结果

你的人际网络是什么样的？如果您想检测网络是否有故障，或者您的数据是否无法解决问题，您可以尝试其他机器学习算法，例如梯度增强，然后检查损失，看看它是否成功学习。@Osbark输入的形状为（40000，7），输出（40000，1）它有多少层，它们的尺寸是多少？@Osbark我已经解释过，我尝试过许多架构。我尝试了1到10层，3到10000个神经元。这个错误与我的神经网络结构无关，这就是为什么我要提出这个问题。我认为数据有问题，或者数据需要转换。你有没有尝试过不同的机器学习算法，比如梯度增强？如果它无法学习，这很可能意味着数据中没有足够的信息。你的网络是什么形状的？如果您想检测网络是否有故障，或者您的数据是否无法解决问题，您可以尝试其他机器学习算法，例如梯度增强，然后检查损失，看看它是否成功学习。@Osbark输入的形状为（40000，7），输出（40000，1）它有多少层，它们的尺寸是多少？@Osbark我已经解释过，我尝试过许多架构。我尝试了1到10层，3到10000个神经元。这个错误与我的神经网络结构无关，这就是为什么我要提出这个问题。我认为数据有问题，或者数据需要转换。你有没有尝试过不同的机器学习算法，比如梯度增强？如果它无法学习，这很可能意味着数据中没有足够的信息。

class BearingNetwork(nn.Module):
    def __init__(self, n_features=X.shape[1], n_out=1):
        super().__init__()
        self.model = nn.Sequential(

            nn.Linear(n_features, 140), 
            nn.ReLU(),
            nn.Linear(140, 64),
            nn.ReLU(),
            nn.Linear(64, n_out),
        )

    def forward(self, x):
        out = self.model(x)
        return out

bearing_nn = NeuralNetRegressor(

    BearingNetwork,
    criterion=nn.MSELoss,
    optimizer=optim.Adam,  # I also tried other optimizers
    max_epochs=100,
    batch_size=128,
    lr=5e-2,  # also tried many other learning rates
    iterator_train__shuffle=True,
    iterator_train__num_workers=4,
    iterator_train_pin_memory=True,
    callbacks=[R2, rmse, Checkpoint(), EarlyStopping(patience=100)],
    device=device

)