处理类似数据的深度神经网络tflearn python

Question

我有一个数据集，其中许多值非常相似（即：以与400和401非常相似的相同方式）。

出于测试目的，我正在尝试过度拟合数据。这是我的示例：

我正在使用0.01的学习率和0.01的学习率衰减。

使用数据时：

X = [[1245086781, -73.844311, 40.721319, -73.84161, 40.712278, 1],
     [1.26270674e+09, -7.40160480e+01, 4.07113030e+01, -7.39792680e+01, 4.07820040e+01, 1.00000000e+00]]
Y = [[0.], [1.]]

注意相应的值几乎相同。在经过5000个周期之后，我最终损失了0.25，并且当预测第零个数据点时，给出的答案是0.5（当它应该为0时），第一个数据点给出了0.5（应该是1）。

使用数据时：

X = [[1245086781, -73.844311, 40.721319, -73.84161, 40.712278, 1],
     [1.26270674e+09, -7.40160480e+01, 4.07113030e+01, 100000000, 4.07820040e+01, 1.00000000e+00]]
Y = [[0.], [1.]]

第一个数据点的第五个值已增加到一个荒谬的值，仅供参考。使用相同的网络和相同的纪元数，最终损失为0，当预测第零个数据点时，给定的答案为0（应为0），第一个数据点为1（应为1）。

在我看来，解决方案应该是改变学习速率和学习速率衰减，但是我找不到损失低于0.2的值的组合。这是我针对不同学习率和衰减的结果： 我该如何解决？

完整代码：

import tflearn

X = [[1245086781, -73.844311, 40.721319, -73.84161, 40.712278, 1],
     [1.26270674e+09, -7.40160480e+01, 4.07113030e+01, -7.39792680e+01, 4.07820040e+01, 1.00000000e+00]]
Y = [[0.], [1.]]

r2 = tflearn.R2()
net = tflearn.input_data(shape=[None, len(X[0])])
net = tflearn.fully_connected(net, 100, activation='linear')
net = tflearn.fully_connected(net, 100, activation='linear')
net = tflearn.fully_connected(net, 1, activation='linear')
sgd = tflearn.SGD(learning_rate=0.01, lr_decay=0.01)
net = tflearn.regression(net, optimizer=sgd, loss='mean_square', metric=r2)
model = tflearn.DNN(net)

model.fit(X, Y, show_metric=True, n_epoch=5000)

print(model.predict([X[0]]))
print(model.predict([X[1]]))