缩减神经网络（ANN）的输出以进行多元回归吗？

Question

我在机器学习和神经网络方面没有任何背景。我在python中有一个panda数据框，其中一个变量是其他自变量的未知函数：output = func（input1，input2，...）。因此，当我绘制输出与任何输出的关系图时，会得到散点图，而输出和输入之间没有任何明确的关系。因此，我使用ANN尝试找到这种关系。

我有以下代码：

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, MinMaxScaler, Normalizer, RobustScaler
from sklearn.neural_network import MLPRegressor    

X = Data[['input1','input2','input3','input4','input5','input6']].values
y = Data[['output']].values  

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.15)

scaler = StandardScaler()
scaler.fit(X_train)
X_train_scaled = scaler.transform(X_train)  
X_test_scaled = scaler.transform(X_test)  

mlp = MLPRegressor(alpha = 1e-5, hidden_layer_sizes = (50,50,50), max_iter = 5000)
mlp.fit(X_train_scaled,y_train)
predictions = mlp.predict(X_test_scaled)
plt.scatter(X_train[:,0], y_train, color = 'green') %column 0 refers to input1
plt.scatter(X_test[:,0], y_test, marker='^', color = "blue")
plt.scatter(X_test[:,0], predictions, marker='x',  color = "red")

代码的输出是输出随着输入1（以及所有其他输入）的变化而变化的方式：

绿点显示训练数据集，蓝色三角形显示测试数据集，红色标记显示我从人工神经网络得到的结果。

考虑到我是新手并且代码相对简单，因此该图还不错。在该图中，我在x轴上使用了未缩放（或缩减）的输入，在y轴上使用了缩放的预测。我的问题是我是否应该缩减预测。 如果我使用缩放数据作为输入，则用红色标记表示的数据将出现水平偏移，并且该图看起来不正确。 如果尝试缩小预测范围，在这种情况下会出现错误，因为我有多个输入而只有一个输出，因此尺寸不匹配。如果仅使用一个输入变量，则尺寸匹配且没有任何错误，但是图中的红色标记在垂直方向上发生了明显的偏移。

即使我不缩小预测范围（嗯，就像我说的那样，即使我愿意，在这种情况下也无法做到这一点），仍然会有一些红色标记不在预期范围之内。

在这里，关于缩小（或一般而言）应该做些什么，以便获得比图中所示更好的结果？ 我也想知道哪些指标可用于确定ANN的回归问题性能，所以我不必目视检查图（我有太多的数据和图）