Python 基于keras的多维回归

我想用keras根据n个输入来预测x，y坐标。我不清楚为什么我的人际网络在经历了大约5个时代后仍无法改善。我不明白，如果我的输入变量在5-14x和5-11y之间变化，为什么网络值如x=2.9和y=2.1。我怎样才能得到更好的预测

数据：

网络：

from keras.models import Sequential
from keras.layers import *

model = Sequential()
model.add(Dense(16, input_dim = ipad_test_numpy_input.shape[1], activation='linear'))
model.add(Dense(8, activation='linear'))
model.add(Dense(2, activation='linear'))
model.compile(loss='mean_squared_error', optimizer='adam')

model.fit(ipad_numpy_input, ipad_numpy_labels, epochs=50, batch_size=5)
score = model.evaluate(ipad_test_numpy_input, ipad_test_numpy_labels, batch_size=5)

---

尝试将前两层的激活更改为

activation='relu'

---

看看这是否能通过引入非线性来改善情况。你现在只是在执行一系列的线性变换，所以你并没有以任何方式真正利用神经网络的能力。还有很多其他原因导致事情可能不如你所希望的那么顺利，但它们有点超出了stackoverflow答案的范围。如果你有一个足够大的数据集，那么正则化将是开始阅读的第一件好事情。

谢谢你的回复。我把最初的图层改成了relu，但是我收到了更糟糕的结果。我确实分为ipad_测试和ipad_数据。我将研究正则化。因此，现在我尝试在第一层中添加批处理规范化和无序化。然后我做了一个网格搜索，包括批量大小、时代、学习率、动量、辍学、动量、核正则化器l1和l2、每层神经元、层数、激活函数、初始化以及神经元从一层到下一层的关系。在这一切之后，我取得了进步，但在一个9x9m的房间里却没有足够的结果2-3m的准确度，我能做什么？你的数据集有多大？3864个条目。你能推荐更多吗？我的网格搜索结果显示，这些参数是迄今为止最好的：神经元=550，优化器='adam'，激活='relu'，学习速率=0.001，动量=0.004，初始模式='he_uniform'，辍学速率=0.0，n_层=3，神经元收缩速率=0.5，内核正则化器=正则化器。l20.0这有点取决于问题，但这实际上接近或低于使用深度学习体系结构的下限。如果你能很容易地获得更多的数据，这可能会有所帮助：samples_min=parameters^2是一个非常粗略的经验法则……根据这个计算，你的550个神经元网络至少需要300000个样本，不过你可能有550多个参数。我可能更喜欢不同的方法，例如，你有一个普通最小二乘法的基线吗？在下面的答案之上，你需要在将数据输入神经网络之前将其标准化。。。

activation='relu'