Python TFlearn -损失太高

Question

在修复了输入形状问题之后，我运行了我的程序，问题是程序打印的总损失太高了(例如，如果我将其与快速入门教程中的比较)。

我的目标是通过使用过去的数据(我有超过10M的输入和分数标记)来预测未来条目的拥堵情况，所以我在训练上应该不会有问题。

这是我的代码：

import numpy as np
import tflearn

# Load CSV file, indicate that the first column represents labels
from tflearn.data_utils import load_csv
data, labels = load_csv('nowcastScaled.csv', has_header=True, n_classes=2)

# Preprocessing function
def preprocess(data):
    return np.array(data, dtype=np.float32)

# Preprocess data
data = preprocess(data)

# Build neural network
net = tflearn.input_data(shape=[None, 2])
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 2, activation='linear')
data = np.reshape(data, (-1, 2))
labels = np.reshape(labels, (-1, 2))
net = tflearn.regression(net, optimizer='adam', learning_rate=0.001,
                         loss='categorical_crossentropy')

# Define model
model = tflearn.DNN(net)
# Start training (apply gradient descent algorithm)
model.fit(data, labels, n_epoch=15, batch_size=16, show_metric=True)

# Training
model.save('test_Model')
model.load('test_Model')
score = model.evaluate(data, labels, batch_size=16)

我的excel文件有这样的外观(2列，100,000 )

calculed_at , congestion
1 , 56
2 , 21

结果是这样的(15个时代)：

Training samples: 50000
Validation samples: 0
....
--
Training Step: 40625  | total loss: 15.27961 | time: 17.659s
| Adam | epoch: 013 | loss: 15.27961 - acc: 0.7070 -- iter: 50000/50000
--
Training Step: 43750  | total loss: 15.66268 | time: 17.549s
| Adam | epoch: 014 | loss: 15.66268 - acc: 0.7247 -- iter: 50000/50000
--
Training Step: 46875  | total loss: 15.94696 | time: 18.037s
| Adam | epoch: 015 | loss: 15.94696 - acc: 0.7581 -- iter: 50000/50000
--

你知道什么会造成这么大的损失吗？这似乎很奇怪，因为印刷的准确性似乎不算太差。谢谢你的帮助。

编辑：当我采用这些值时，这似乎是一个很好的时刻，因为我刚才尝试的时候，总损失超过了280 (精确度低于0,3，甚至几乎没有超过)。

Answer 1

对于时间序列，通过考虑时间窗口的框架来构造输入/输出示例。在每个窗口中，如果样本是{0, 1, ...N}，则选择第一个N-1样本作为输入，选择最后一个样本作为输出。然后你可以做回归来做time prediction。