Python 如何诊断Keras LSTM网络的问题？

我试图在Keras中建立一个LSTM模型，根据各种传感器读数预测机器的故障时间。但是，我不确定如何解释输出，以便改进模型。我的数据是超过50000个连续时间步的15个特征。以下是我目前掌握的代码：

from keras.models import Sequential
from keras.layers import LSTM

batch_size = 50
model = Sequential()
model.add(LSTM(1,
          batch_input_shape=(batch_size, int(len(X_train)/batch_size), 15),
          dropout=0.2,
          stateful=True,
          return_sequences=True))

model.compile(loss='mse', optimizer='adam')

model.fit(X_train, y_train, batch_size=batch_size, 
          epochs=100, shuffle=False, verbose=0)

当我绘制目标与预测的对比图时，该图如下所示：

所有的预测似乎都在一个狭窄的范围内，大多数在-0.5到0.5之间。除了数据似乎不是很好的反应预测因素外，还有其他解释方法吗

编辑：根据建议，我在上面的代码中添加了以下行：

model.add(Dense(1))

这导致了以下目标与预测图：

---

这似乎与我之前面临的问题相同

LSTM在其输出端有tanh（），即给出范围内的输出。您的图表表明您的目标不限于此领域。考虑在顶部添加一个致密层，没有任何非线性。顺便问一下，你能展示一下学习曲线吗？培训损失和验证损失？同意dedObed，只需在NN的末尾添加一个密集层。