源代码：

Question

对于一个学校项目，我试图使用keras框架预测数据，但它正在回归＆＃39; nan＆＃39;当我试图获得预测数据时的损失和价值。

源代码：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=5)

# create model
model = Sequential()
model.add(Dense(950, input_shape=(425,), activation='relu'))
model.add(Dense(425, activation='relu'))
model.add(Dense(200, activation='relu'))
model.add(Dense(50, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# Compile model
sgd = optimizers.SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer='sgd')

# Fit the model
model.fit(X_train, y_train, epochs=20, batch_size=1, verbose=1)

#evaluate the model
y_pred = model.predict(X_test)

score = model.evaluate(X_test, y_test,verbose=1)
print(score)

# calculate predictions
predictions = model.predict(X_pred)

数据：

X_train和X_test是（熊猫）5000行（样本数量）* 425列（维度数）的数据帧。

y_train和y_test看起来像：

array([ 1.17899644,  1.46080518,  0.9662137 , ...,  2.40157461,
        0.53870386,  1.3192718 ])

你能帮帮我吗？

谢谢你的帮助！

Answer 1

通常，这意味着某些东西会收敛到无穷大。正如@desertnaut在评论中指出的那样，降低学习率可能有所帮助。

但问题的根源是您的输入数据。这425个数据点是什么意思？它们来自不同的来源，不同的功能，不同的参数？查找大纲或规范化数据可能会有所帮助。

否则你的代码看起来很好。

Answer 2

尝试将优化程序更改为＆＃39; Adam＆＃39;而不是SGD

Answer 3

您在变量sgd中初始化了SGD优化器，但没有在compile中使用它

Answer 4

确保您的目标输出在（0，1）范围内，因为最后一层中有S型。
Sigmoid的输出在零和一之间，因此如果目标输出不在此范围内，则（a）更改激活函数或（b）将输出归一化在所需范围内。
确保此模型的目的是回归。
在考虑了以上三点之后，尝试学习率（降低）和优化器（以其他任何值代替）。

python - 在尝试用Keras预测时返回nan

源代码：

数据：

4 个答案: