Question

我正在学习keras。我的目标是创建一个预测函数值的简单模型。首先，我创建了两个数组，一个用于X值，另一个用于相应的Y值。

# declare and init arrays for training-data
X = np.arange(0.0, 10.0, 0.05)
Y = np.empty(shape=0, dtype=float)

# Calculate Y-Values
for x in X:
    Y = np.append(Y, float(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

# model architecture
model = Sequential()
model.add(Dense(1, input_shape=(1,)))
model.add(Dense(5))
model.add(Dense(1, activation='linear'))

# compile model
model.compile(loss='mean_absolute_error', optimizer='adam', metrics=['accuracy'])

# train model
model.fit(X, Y, epochs=150, batch_size=10)

使用模型预测值

# declare and init arrays for prediction
YPredict = np.empty(shape=0, dtype=float)

# Predict Y
YPredict = model.predict(X)

# plot training-data and prediction
plt.plot(X, Y, 'C0')
plt.plot(X, YPredict, 'C1')

# show graph
plt.show()

我得到了这个输出（蓝色是训练数据，橙色是预测）：

我做错了什么？我想这是网络架构的一个基本问题，对吧？

Answer 1

问题确实存在于您的网络架构中。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合线性函数。您应该在输出层中保持线性激活，但是您应该在隐藏层中使用ReLU激活：

model.add(Dense(1, input_shape=(1,)))
model.add(Dense(5, activation='relu'))
model.add(Dense(1, activation='linear'))

然后，玩隐藏图层的数量/大小;我建议你多用一些。

Answer 2

除了BlackBear提供的答案之外：

在将输入X输入到神经网络之前，您应该规范化输入X和输出Y：
```
# Feature Scaling (ignore possible warnings due to conversion of integers to floats)
from sklearn.preprocessing import StandardScaler

sc_X = StandardScaler()
X_train = sc_X.fit_transform(X)

sc_Y = StandardScaler()
Y_train = sc_Y.fit_transform(Y)

# [...]
model.fit(X_train, Y_train, ...)
```
请参阅this answer，了解如果您没有，在与您的回归设置非常相似的回归设置中会发生什么。请记住，您应该使用sc_X类似地缩放任何测试数据;另外，如果您稍后需要将模型生成的任何predictions缩放回Y的原始比例，则应使用
```
sc_Y.inverse_transform(predictions)
```
在像你这样的回归设置中，准确性没有意义;你应该从模型编译中删除metrics=['accuracy']（损失本身就足以作为一个指标）

如何使用Keras预测功能/表格？

2 个答案: