Python 如何使用Keras预测函数/表？

我目前正在学习keras。我的目标是创建一个简单的模型，预测函数的值。首先，我创建两个数组，一个用于X值，另一个用于相应的Y值

#为训练数据声明和初始化数组
X=np.arange（0.0,10.0,0.05）
Y=np.empty（shape=0，dtype=float）
#计算Y值
对于x中的x：
Y=np.追加（Y，浮动（0.05*（15.72807*x-7.273893*x**2+1.4912*x**3-0.1384615*x**4+0.00474359*x**5））

然后我创建并训练模型

#模型架构
模型=顺序（）
添加（密集（1，输入_形状=（1，））
模型。添加（密度（5））
model.add（稠密（1，activation='linear'））
#编译模型
compile（loss='mean\u absolute\u error'，optimizer='adam'，metrics=['accurity']）
#列车模型
模型拟合（X，Y，历次=150，批次大小=10）

并使用该模型预测值

#声明和初始化用于预测的数组
yppredict=np.empty（shape=0，dtype=float）
#预测Y
YPredict=模型。预测（X）
#绘图训练数据和预测
plt.绘图（X，Y，'C0'）
plt.绘图（X，Y预测，'C1'）
#显示图形
plt.show（）

我得到这个输出（蓝色是训练数据，橙色是预测）：

---

我做错了什么？我想这是网络体系结构的一个基本问题，对吗？

问题确实在于您的网络体系结构。具体来说，您在所有层中使用线性激活：这意味着网络只能适应线性函数。您应在输出层中保持线性激活，但应在隐藏层中使用ReLU激活：

model.add（密集型（1，输入_形=（1，））
model.add（密集（5，activation='relu'））
model.add（稠密（1，activation='linear'））

---

然后，播放隐藏层的数量/大小；我建议你多用几个。

在BlackBear提供的答案之上：

• 在将输入X和输出Y输入到神经网络之前，您应该将它们正常化：

  #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）
  # [...]
  模型拟合（X_系列，Y_系列，…）
  

  看看如果你不这样做会发生什么，在一个与你非常相似的回归设置中。请记住，您应该使用

  sc_X

  以类似方式缩放任何测试数据；此外，如果以后需要将模型生成的任何

  预测

  缩放回Y的原始比例，则应使用

  sc_Y.逆变换（预测）
  

• 在像您这样的回归设置中，准确性没有任何意义；您应该从您的模型编译中删除

  metrics=['accurity']

  （这里损失本身作为一个度量就足够了）