为 3 个输入和 1 个输出选择 keras 回归模型

Question

这是我的 excel 数据散点图。我的神经网络模型有 3 个输入和 1 个输出，在 excel 中总共有 4 列。和 200 行。数据已标准化。

所以我有一个 keras 模型如下：

def create_model():
    ann_model = Sequential()
    ann_model.add(Dense(120, input_dim=3, kernel_initializer='normal', activation='tanh'))
    ann_model.add(Dense(60, activation='tanh'))
    ann_model.add(Dense(1, activation='linear'))
    return ann_model

original_inputs = read_inputs(r'train_cd.xlsx')
original_outputs = read_outputs(r'train_cd.xlsx')

model = create_model()

sgd = SGD(lr=0.001, decay=1e-6, momentum=0.9, nesterov=True)

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mse', 'accuracy'])

model.fit(original_inputs, original_outputs, batch_size=10, epochs=1800, verbose=False, shuffle=False)

test_result = model.predict(original_inputs)

# ----------Plot---------------------------------------------
plt.plot(original_outputs, label="y-original")
plt.plot(test_result, label="y-predicted")
plt.legend()
plt.show()
# -----------------------------------------------------------

但是这个训练结果并不接近 %100 的准确率。如何更改模型隐藏层节点或其他？我想获得接近 100% 的高精度。

Answer 1

为了提高你的准确性，你可以尝试不同的东西：

• 添加更多层并使用它们的神经元数量
  -> 有了更多的层和更多的神经元，模型可以学习更高层次的模式

• 打印模型损失和准确度历史并查看曲线的样子（增加/减少快/慢，如果您限制或模型尚未完成学习 -> 更多时期等）

• 使用批量大小，更改优化器，尝试不同的激活函数

希望对你有帮助