ML 模型在训练后给了我巨大的结果

Question

我有一个很小的数据集用于训练here，我正在训练模型如下：-

import numpy as np
import pandas as pd

from sklearn import preprocessing

data = pd.read_csv("house.csv")
x=data.iloc[:,0:3]
y=data["price"]
sd=preprocessing.scale(x)
#print(sd)
#print(data.head())
#
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam

model = Sequential()
model.add(Dense(1, input_shape=(3,)))
model.compile(Adam(lr=0.2), loss="mean_squared_error", metrics=["mean_squared_error"])
model.fit(x,y,epochs=50)

yp=model.predict(sd)
data ["pred"] = yp

我从训练中得到奇怪的结果，我提高了多少学习率或 epochs

> Epoch 50/50 32/47 [===================>..........] - ETA: 0s - loss:
> 109420707840.0000 - mean_squared_error: 109420707840.0000 47/47 
>[==============================] - 0s 0us/step - loss:
> 103942317426.3830 - mean_squared_error: 103942316032.0000

即使没有预处理，我仍然会得到一些不合理的数字！

Answer 1

您不是根据预处理数据而是根据原始数据训练模型，然后根据预处理数据对其进行评估。数据在训练和测试时需要具有相同的尺度。

也许打印出感兴趣变量（“价格”）的统计数据（范围、平均值）。我想目标是预测房价。我假设房价的单位是美元，所以这些数字会很大。如果您的因变量很大，即使很小的相对误差也可能导致较大的损失值，尤其是对于 MSE。

我建议也对价格数据进行标准化，并在数据 x,y 的缩放版本上训练模型

在训练过程中损失至少会减少吗？

希望能有所帮助！