Question

我的MAE和MSE很高。但是训练数据（不包括20％的测试数据）（1030，23）实例（在应用IQR和Z评分之后）。顺便说一句，所有分类列都已完全编码。

Epoch: 1900, loss:50195632.3010,  mae:3622.3535,  mse:50195636.0000,  val_loss:65308249.2427,  val_mae:4636.2290,  val_mse:65308244.0000,

以下是我对Keras的设置。

model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=[len(dftrain.keys())]),
    layers.Dense(64, activation='relu'),
    layers.Dense(1)
  ])

  optimizer = tf.keras.optimizers.RMSprop(0.001)

  model.compile(loss='mse',
                optimizer=optimizer,
                metrics=['mae', 'mse'])

EPOCHS = 2000

history = model.fit(
    normed_train_data, 
    train_labels,
    epochs=EPOCHS, 
    validation_split = 0.2, 
    verbose=0,
    callbacks=[tfdocs.modeling.EpochDots()])

你怎么看？

Answer 1

“高” MAE本身是相对的，并根据数据而变化，并且可能有多个因素对其造成影响。

如果您是入门者，我建议您执行探索性数据分析（EDA）并提出功能，并准备该数据进行培训。验证数据后，请尝试调整模型的参数以适合您的用例。机器学习更多的是实验而不是编码。

Kaggle中的此类笔记本将帮助您入门。

Answer 2

实际上可能有很多原因。我的快速猜测就是您的数据集。训练数据。它符合模型的期望吗？（形状，格式等）就像在文本分类的情况下一样，是在输入模型之前对文本进行编码。标签是否正确转换为神经网络期望值？

如果是，剩下的就在您的网络定义上，您是否正在使用正确的丢失功能，层等？

尝试解决您的问题的基本模型体系结构，该基本体系结构模型可以从互联网上发现的类似问题的实现中获取。这将为您提供一个良好的起点。

Answer 3

其他答案已经提到了一些优点，但是您可以做的另一件事是对数据进行规范化（如果还没有的话）。 NNs are highly sensitive to this。您可以在此处尝试的一些方法是Batch Normalization，Standard Scaler或Min-Max Scaler。

此外，如果模型过度拟合（训练损失减少，但验证损失却没有），请考虑在各层之间以Dropout的形式添加正则化，看看它是否有所改善。

这些链接可能会有所帮助：

link1
link2

Keras的MAE和MSE偏高的原因可能是什么？

3 个答案: