Python 使用Keras回归器得到非常糟糕的预测

我在一个虚拟数据集上使用了KerasRegressor，并试图预测训练值本身。这给了我一个远远不能令人满意的结果。训练数据完全不是随机的。有人能帮我吗

从keras.models导入
从keras.layers导入稠密
从keras.wrappers.scikit_了解导入keras回归器
将numpy作为ny导入
X=ny.数组（[[1,2]，[3,4]，[5,6]，[7,8]，[9,10]）
Y=ny.array（[3,4,5,6,7]）
N=5
def brain（）：
#创造大脑
br_模型=顺序（）
br_model.add（密集型（3，输入尺寸=2，内核初始化器='normal'，激活='relu'））
br_model.add（稠密（2，内核初始化器='normal'，激活='relu'））
br_model.add（稠密（1，kernel_initializer='normal'））
#编辑大脑
br_model.compile（loss='mean_squared_error'，optimizer='adam'）
返回br_模型
估计器=Keras回归器（构建=brain，nb\U历元=1000000，批量=5，详细=1）
打印“完成”
估计拟合（X，Y）
预测=估计器。预测（X）
打印Y
打印预测

输出是

[3 4 5 6 7]
[0.001 0.001 0.001 0.001 0.001]

基本上，预测值为0.001，而实际值为0.001。 我尝试过其他网络配置，但我面临同样的问题。

---

要获得准确的输出，我必须做/不做什么？？？

这是因为新从业者犯了一个典型错误，即在将数据输入到神经网络之前没有对其进行标准化（有关在卷积神经网络的分类设置中导致类似问题的相同问题，请参见中的第三点）

（我承认，在我看到的大多数教程中，这一关键点通常没有得到足够的强调；甚至可能更糟，例如，在Tensorflow教程中，Tensorflow提供的实用函数返回的数据已经在[0，1]中标准化了。），对用户透明且不提供任何提示，因此对读者隐藏了一个关键步骤，这在以后使用自己的数据时肯定需要完成）

因此，您需要规范化您的特征和输出；保持显示的

X

和

Y

数据：

#功能缩放（忽略因整数转换为浮点数而可能出现的警告）
从sklearn.preprocessing导入StandardScaler
sc_X=StandardScaler（）
X_序列=sc_X.拟合变换（X）
sc_Y=StandardScaler（）
Y_序列=sc_Y.拟合变换（Y）

然后，将您的历元更改为仅1000个（这些数据绝对不需要100万个历元！），并对缩放数据进行拟合：

estimator=KerasRegressor（build\u fn=brain，epochs=1000，batch\u size=5，verbose=1）
估计值拟合（X_序列，Y_序列）

您将获得：

prediction=估计器预测（X_序列）
打印（Y_列）
打印（预测）
# [-1.41421356 -0.70710678  0.          0.70710678  1.41421356]
# [-1.01221371 -1.01221371 -0.08764046  0.69051325  1.42577887]

或者，使用以下工具将输出缩放回其原始范围：

打印（Y）
打印（sc_Y.逆变换（预测））
# [3 4 5 6 7]
# [ 3.56851363  3.56851363  4.87605762  5.97653294  7.01635551]

您使用哪种版本的keras？你在训练中会受到什么损失？看起来网络根本没有训练。如果您使用的是当前版本的keras，请尝试将

nb_epoch

更改为

epochs

。@sietschie也使用

nb_epoch

进行了测试-它在新的keras版本中被忽略，而使用默认值10。真正的问题是数据规范化，请参阅下面的答案。看起来工作正常。但我有两个疑问：1）为什么每次我运行模型时，预测值都在不断变化（即，如果它采用相同的训练输入，并运行相同的算法，那么它不是每次都给出相同的输出吗？）？？2） 如果我把历元数增加到10000，它给出的结果是完全错误的，所有的预测值都是相同的。为什么会这样？（考虑到在线性回归中，你运行的时间越长，它收敛得越好…）@Thanatos一步一个问题。因为这个答案可以说已经解决了您报告的问题，请接受它并打开一个新的问题，包括您的新问题的详细信息，就像您在这里所做的那样。既然你们在这里学到了一些有用且普遍适用的东西，那个么UPVOUTS也很受欢迎。@Thanatos只是作为一个关于开始一个有细节的新问题的额外论点：不清楚你们在（1）中所说的“run”是什么意思；如果你的意思是安装一个新的模型，这并不奇怪（至少在原则上）；如果你的意思是运行相同的安装模型，那么这真的很奇怪（但我怀疑情况并非如此）…你可以看看。我在另一篇文章中问过这个问题。谢谢你的帮助。这真的很有价值，因为我没有太多的时间来启动这个模型。您确定数据必须仅进行缩放而不进行标准化吗？这两件事是不同的：缩放产生了一个期望值和单位标准偏差为零的分布，归一化使向量标准化为单位范数（链接到的答案是后者，而不是前者）。