Python 我应该怎么做才能获得较低的平均损失？

我是一名液压工程专业的学生，在实习期间正在研究神经网络，所以这对我来说是一件新鲜事。 我创建了我的神经网络，但它给了我很大的损失，我不知道是什么问题。。。您可以看到以下代码：

def create_model():
    model = Sequential()
    # Adding the input layer
    model.add(Dense(26,activation='relu',input_shape=(n_cols,)))
    # Adding the hidden layer
    model.add(Dense(60,activation='relu'))
    model.add(Dense(60,activation='relu'))
    model.add(Dense(60,activation='relu'))
    # Adding the output layer
    model.add(Dense(2))
    # Compiling the RNN
    model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
    return model

kf = KFold(n_splits = 5, shuffle = True)
model = create_model()
scores = []
for i in range(5):
    result = next(kf.split(data_input), None)
    input_train = data_input[result[0]]
    input_test = data_input[result[1]]
    output_train = data_output[result[0]]
    output_test = data_output[result[1]]
    # Fitting the RNN to the Training set
    model.fit(input_train, output_train, epochs=5000, batch_size=200 ,verbose=2)
    predictions = model.predict(input_test) 
    scores.append(model.evaluate(input_test, output_test))

print('Scores from each Iteration: ', scores)
print('Average K-Fold Score :' , np.mean(scores))

当我执行代码时，结果如下：

Scores from each Iteration:  [[93.90406122928908, 0.8907562990148529], [89.5892979597845, 0.8907563030218878], [81.26530176050522, 0.9327731132507324], [56.46526102659081, 0.9495798339362905], [54.314151876112994, 0.9579831877676379]]
Average K-Fold Score : 38.0159922589274

---

有人能帮我吗？我该怎么做才能减少损失

您的问题和代码都存在一些问题

首先，通常我们不能说X值的MSE损失是低还是高。与分类问题的准确度不同，分类问题的准确度在

[0，1]

中有定义，损失没有类似的界限，因此没有通用的方法来说明特定值是低还是高，正如您在这里暗示的那样（它始终取决于特定的问题）

澄清了这一点之后，让我们转到您的代码

首先，从您的

损失class='mean_squared_error'

判断，您似乎处于一个回归设置中，在这个设置中，准确性是毫无意义的；看见您没有分享您在这里试图解决的确切问题，但如果它确实是一个回归问题（即预测某些数值），您应该在模型编译中去掉

metrics=['accurity']

，并可能将最后一层更改为单个单元，即

model.add（稠密（1））

其次，正如您当前的代码所示，您实际上并没有在每个CV折叠中从头开始安装独立的模型（这是CV的精髓）；在Keras中，

model.fit

累积工作，即它不会在每次调用模型时“重置”模型，但会从上一次调用继续拟合。这正是为什么如果你看到你的

分数

，很明显，模型在以后的折叠中明显更好（这已经给了改进的提示：添加更多的纪元）。为了像适合正确CV一样适合独立模型，您应该将

create_model（）

移动到

for

循环中

第三个，你在这里使用的

np.mean（）

同样没有意义，因为你将损失和准确度（即苹果和桔子）一起平均；从54到94之间的5个损失值中，你的“平均值”为38，这一事实应该已经提醒你，你正在尝试一些错误的事情。事实是，如果你像上面所说的那样忽略了精度指标，你就不会有这个问题了

总而言之，您的代码在原则上应该是这样的（但是，我对您试图解决的确切问题一点也不知道，因此一些细节可能会有所不同）：

---

感谢您的帮助，我需要创建一个神经网络，输入26个流体物理参数，输出2个物理参数。是的，这是一个回归问题。那么，我能理解什么是看到高平均值是正常的呢？@sbu help08所以，只需将输出层保留为2个节点，然后实现我建议的其他东西——实验，实验，实验。。。

def create_model():
    model = Sequential()
    # Adding the input layer
    model.add(Dense(26,activation='relu',input_shape=(n_cols,)))
    # Adding the hidden layer
    model.add(Dense(60,activation='relu'))
    model.add(Dense(60,activation='relu'))
    model.add(Dense(60,activation='relu'))
    # Adding the output layer
    model.add(Dense(1))  # change to 1 unit
    # Compiling the RNN
    model.compile(optimizer='adam', loss='mean_squared_error') # dismiss accuracy
    return model

kf = KFold(n_splits = 5, shuffle = True)
scores = []
for i in range(5):
    result = next(kf.split(data_input), None)
    input_train = data_input[result[0]]
    input_test = data_input[result[1]]
    output_train = data_output[result[0]]
    output_test = data_output[result[1]]
    # Fitting the RNN to the Training set
    model = create_model()  # move create_model here
    model.fit(input_train, output_train, epochs=10000, batch_size=200 ,verbose=2)  # increase the epochs
    predictions = model.predict(input_test) 
    scores.append(model.evaluate(input_test, output_test))

print('Loss from each Iteration: ', scores)
print('Average K-Fold Loss :' , np.mean(scores))