Python 如何在机器学习中训练连续输出（回归）

我想训练输出为连续数的回归模型（而不是分类）。

假设我有一个输入变量X，它的范围在-70到70之间。 我有输出变量Y，它的范围在-5到5之间。X有39个特征，Y有16个特征，每个特征有50000个示例。然后我想用python中的深层信念网络（DBN）来训练他们

我使用了theano主页中的脚本，该脚本使用MNIST数据（分类）描述DBN

您能告诉我，为了应用我上面解释的回归问题，我必须更改哪些具体的行吗

例如，我必须改变

从sigmoid函数到tanh函数：我听说tanh激活函数在回归中比sigmoid更有效。对吧?

而不是使用负对数似然，我必须使用最小二乘误差

通过zscore实现输入和输出数据规范化

请让我知道，如果你有任何想法来解决这个问题。。。 大多数机器学习示例都基于MNIST手数字分类。如果你能给我推荐一些不错的博客或主页，我会很高兴，在那里我可以获得与回归相关的有用信息

提前谢谢你

@hyungwon yang: 

我还没有看过python代码，但我认为以下内容会很有用：

sigmoid函数到tanh函数：没有必要，许多出版物使用sigmoid进行非线性回归。坦率地说，选择是根据您拥有的数据类型进行的。我在很多非线性模型中使用了sigmoid，它对我很有用

最小平方误差：您可以通过内置Matlab函数回归来执行此操作，而不是将其与许多参数混淆

归一化：您可以进行最小-最大归一化（参考Charu Agarwal的数据挖掘），我在Matlab中的实现如下：

%inputData: Is your N samples * of first feature, you have to iteratively do %this process for each and every feature.
function normOut = NormaliseAnyData (inputData)
denominator = (max(inputData) - min (inputData));
numerator = (inputData - min(inputData)); 
normOut = numerator/denominator;
end

---

希望能有帮助。如果您还有其他问题，请告诉我

只是一个一般性的想法-不要从深层模型开始学习机器学习。这就像从量子力学开始学习物理。每个在新手教程中包含深度学习的人根本不知道自己在做什么（很可能是新手自己）。简言之，如果你问这样的问题，那么深度模型不是一个好主意，首先是线性回归，然后是非线性类型，如核回归、knn回归、rf回归等等。否则你会失败的，我保证。非常感谢你。我知道我在那里做什么，但我想听听更具启发性的评论。你给了我一些！！