如何使用Keras预测函数/表？

Question

我目前正在学习角蛋白。我的目标是创建一个简单的模型，用来预测函数的值。首先，我创建两个数组，一个用于X值，另一个用于对应的Y值.

# declare and init arrays for training-data
X = np.arange(0.0, 10.0, 0.05)
Y = np.empty(shape=0, dtype=float)

# Calculate Y-Values
for x in X:
    Y = np.append(Y, float(0.05*(15.72807*x - 7.273893*x**2 + 1.4912*x**3 - 0.1384615*x**4 + 0.00474359*x**5)))

然后我创建并训练模型

# model architecture
model = Sequential()
model.add(Dense(1, input_shape=(1,)))
model.add(Dense(5))
model.add(Dense(1, activation='linear'))

# compile model
model.compile(loss='mean_absolute_error', optimizer='adam', metrics=['accuracy'])

# train model
model.fit(X, Y, epochs=150, batch_size=10)

并使用该模型预测值。

# declare and init arrays for prediction
YPredict = np.empty(shape=0, dtype=float)

# Predict Y
YPredict = model.predict(X)

# plot training-data and prediction
plt.plot(X, Y, 'C0')
plt.plot(X, YPredict, 'C1')

# show graph
plt.show()

我得到了这个输出(蓝色是训练-数据，橙色是预测)：

​

​

我做错什么了？我想这是网络体系结构的一个基本问题，对吧？

Answer 1

问题确实在于您的网络架构。具体来说，您在所有层中都使用线性激活:这意味着网络只能适应线性函数。您应该在输出层中保持线性激活，但是应该在隐藏层中使用ReLU激活：

model.add(Dense(1, input_shape=(1,)))
model.add(Dense(5, activation='relu'))
model.add(Dense(1, activation='linear'))

然后，使用隐藏层的数量/大小；我建议您多使用几层。

Answer 2

在BlackBear提供的答案的基础上：

• 在将输入X和输出Y输入到您的神经网络之前，您应该规范化输入X和输出Y:从sklearn.preprocessing导入StandardScaler sc_X = StandardScaler() X_train = sc_X.fit_transform(X) sc_Y = StandardScaler() Y_train = sc_Y.fit_transform(Y) #.model.fit(X_train，Y_train，.)在与您的回归设置非常相似的情况下，查看this answer以查看如果不这样做会发生什么。请记住，您应该使用sc_X对任何测试数据进行类似的缩放；此外，如果以后需要将模型生成的任何predictions缩放回Y的原始比例，则应该使用 Sc_Y.inverse_transform(预测)
• 在像您这样的回归设置中，准确性没有任何意义；您应该从模型编译中删除metrics=['accuracy'] (损失本身就足够作为一个度量)。