Python 如何在Keras中训练不合适的模型？

我试图在卡拉斯训练一名LSTM，但它似乎不太合适

adam=adam（学习率=0.1，β1=0.9，β2=0.999，amsgrad=False）
模型=顺序（）
添加模型（LSTM（124，输入_形状=（trainX.shape[1]，trainX.shape[2]））
模型.添加（密度（62））
compile（loss='mse'，optimizer=adam）
历史=model.fit(
trainX，trainY，epochs=100，批大小=431，验证数据=（testX，testY），verbose=2，shuffle=False）

我的数据代表了一系列的数据泄露，其中前0-7列是公司类型，第0-51列是美国各州的onehot向量。我的目标是根据这个数据集预测下一个漏洞

      date     size    0    1    2    3    4    5    6    7    0    1  ...   40   41   42   43   44   45   46   47   48   49   50   51
0        1    32000  0.0  1.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  1.0  ...  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0
1        2     3500  0.0  1.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  ...  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0
2        3  1400000  0.0  0.0  1.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  ...  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0
3        4   120000  0.0  1.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  ...  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0
4        5    59000  0.0  1.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  ...  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0

每个历元所用的时间为0，测试数据的损失基本保持不变。以下是我的模型的最后10个时代

Epoch 90/100
 - 0s - loss: 130445623221660.6562 - val_loss: 5098486354074.1934
Epoch 91/100
 - 0s - loss: 130445622565865.9375 - val_loss: 5098486346506.8730
Epoch 92/100
 - 0s - loss: 130445622191126.0625 - val_loss: 5098485465787.7988
Epoch 93/100
 - 0s - loss: 130445621816386.2344 - val_loss: 5098484149524.7568
Epoch 94/100
 - 0s - loss: 130445621347961.4219 - val_loss: 5098484141613.4668
Epoch 95/100
 - 0s - loss: 130445620785851.6406 - val_loss: 5098483698846.1465
Epoch 96/100
 - 0s - loss: 130445620317426.8281 - val_loss: 5098483255046.9189
Epoch 97/100
 - 0s - loss: 130445619942686.9844 - val_loss: 5098482810903.7217
Epoch 98/100
 - 0s - loss: 130445619380577.2188 - val_loss: 5098481494640.6797
Epoch 99/100
 - 0s - loss: 130445619005837.3750 - val_loss: 5098481050841.4521
Epoch 100/100
 - 0s - loss: 130445618724782.5000 - val_loss: 5098480170466.3477

这是显示培训和测试期间损失的图表。 标准化后 数据：

输出：

Epoch 90/100
 - 0s - loss: 1425.8638 - val_loss: 8939.7717
Epoch 91/100
 - 0s - loss: 1397.5078 - val_loss: 8847.1606
Epoch 92/100
 - 0s - loss: 1403.1658 - val_loss: 8756.0660
Epoch 93/100
 - 0s - loss: 1453.6541 - val_loss: 9025.9873
Epoch 94/100
 - 0s - loss: 1435.4252 - val_loss: 8928.1981
Epoch 95/100
 - 0s - loss: 1414.3660 - val_loss: 8830.8435
Epoch 96/100
 - 0s - loss: 1391.6843 - val_loss: 8734.7518
Epoch 97/100
 - 0s - loss: 1365.5961 - val_loss: 8655.9235
Epoch 98/100
 - 0s - loss: 1431.5669 - val_loss: 8896.3086
Epoch 99/100
 - 0s - loss: 1409.6963 - val_loss: 9031.4488
Epoch 100/100
 - 0s - loss: 1466.6886 - val_loss: 9088.9677

损失：

---

您的模型并不不合适，它根本学不到任何东西。你的数据是什么？“你想达到什么目的？”ThibaultBacqueyrisss我已经对问题中的数据做了解释。模型不学习有什么原因吗？基本上没有学习，即不适合条件。您必须详细说明您的数据，并使用适当的损失函数指定问题类型（分类、回归、其他）是目标数据？你应该强烈考虑规范它。你的数据是稀疏的，只是代表州和公司的一个热点向量。我从你的问题中了解到的是，你试图预测某一特定类型公司的51个州之一。这使您的公司类型为X:type，y:type为一个或多个州。首先，mse在这里不起作用，因为您正在对一个或多个州进行分类。其次，据我所知，你唯一的原始特征是公司类型（一个热门）。为什么要使用LSTM？输入中有序列吗？

Epoch 90/100
 - 0s - loss: 1425.8638 - val_loss: 8939.7717
Epoch 91/100
 - 0s - loss: 1397.5078 - val_loss: 8847.1606
Epoch 92/100
 - 0s - loss: 1403.1658 - val_loss: 8756.0660
Epoch 93/100
 - 0s - loss: 1453.6541 - val_loss: 9025.9873
Epoch 94/100
 - 0s - loss: 1435.4252 - val_loss: 8928.1981
Epoch 95/100
 - 0s - loss: 1414.3660 - val_loss: 8830.8435
Epoch 96/100
 - 0s - loss: 1391.6843 - val_loss: 8734.7518
Epoch 97/100
 - 0s - loss: 1365.5961 - val_loss: 8655.9235
Epoch 98/100
 - 0s - loss: 1431.5669 - val_loss: 8896.3086
Epoch 99/100
 - 0s - loss: 1409.6963 - val_loss: 9031.4488
Epoch 100/100
 - 0s - loss: 1466.6886 - val_loss: 9088.9677