Python Tensorflow神经网络具有很高的误差和简单的回归

我正在尝试建立一个NN，用Tensorflow中的Keras进行回归

我试图根据一组特征预测歌曲在排行榜上的排名，我发现低特征1、高特征2和高特征3与在排行榜上的高位置（低输出排名，如位置1）之间存在着很强的相关性

然而，在对我的模型进行培训之后，MAE在培训和测试集上都达到了3500左右（非常非常高）。如果加上一些值，它似乎给出了所有3个特征值都很低的观测值的最低输出排名

我认为这可能与我规范化数据的方式有关。在将其放入一个数据框（每个功能都有一列）后，我使用以下代码进行规范化：

def normalise_dataset(df):
    return df-(df.mean(axis=0))/df.std()

我使用的是一个序列模型，一个密集的输入层有64个神经元，一个密集的输出层有一个神经元。以下是其定义代码：

model = keras.Sequential([
    keras.layers.Dense(64, activation=tf.nn.relu, input_dim=3),
    keras.layers.Dense(1)
])
optimizer = tf.train.RMSPropOptimizer(0.001)
model.compile(loss='mse', optimizer=optimizer, metrics=['mae'])

我是一名软件工程师，不是一名数据科学家，所以我不知道这个模型设置是否适合我的问题，我非常愿意听取关于如何使它更适合我的用例的建议

谢谢

编辑：这是我训练数据的前几个单位，大约有100000个单位。最后一列（finalPos）包含标签，我试图预测的字段

chartposition,tagcount,artistScore,finalPos
256,191,119179,4625
256,191,5902650,292
256,191,212156,606
205,1480523,5442
256,195,5675757,179
256,195,933171,7745

---

第一件显而易见的事情是，您正在以错误的方式规范化数据。正确的方法是

return (df - df.mean(axis=0))/df.std()

---

我刚刚更改了括号，但基本上它是（数据-平均值）除以标准偏差，而你是用标准偏差除以平均值。

第一件明显的事情是，你用错误的方式规范化了数据。正确的方法是

return (df - df.mean(axis=0))/df.std()

---

我刚刚更改了括号，但基本上它是（数据-平均值）除以标准偏差，而你是用标准偏差除以平均值。

好的，回过头来看，这有趣地增加了MAE！我猜我的问题出在其他地方。好的，回过头来报道，这有趣地增加了MAE甚至更多！我想我的问题出在别的地方。你能举个例子说明你的数据（输入和输出）是什么样子的吗？”“高级和低级功能”没有帮助。@DocDriven，用一个例子编辑了原始文章。感谢你用Tensorboard可视化你的模型训练，看看你是否能从中得到任何线索。你的标准化看起来是错误的，应该是（df-mean）/std，注意括号。你试过不同的拓扑和/或激活函数吗？另外，您的第四个数据示例似乎遗漏了一个条目。另外，您说您使用了MAE，但在编译步骤中似乎使用了MSE。请澄清这一点。你能举例说明你的数据（输入和输出）是什么样子的吗？”“高级和低级功能”没有帮助。@DocDriven，用一个例子编辑了原始文章。感谢你用Tensorboard可视化你的模型训练，看看你是否能从中得到任何线索。你的标准化看起来是错误的，应该是（df-mean）/std，注意括号。你试过不同的拓扑和/或激活函数吗？另外，您的第四个数据示例似乎遗漏了一个条目。另外，您说您使用了MAE，但在编译步骤中似乎使用了MSE。请澄清这一点。