Выбор модели регрессии keras для 3 входов и 1 выхода

Выбор модели регрессии keras для 3 входов и 1 выхода

Это мой график разброса данных Excel. У меня есть 3 входа и 1 выход для моей модели нейронной сети, всего 4 столбца в Excel. И 200 рядов. Данные стандартно нормализованы.

Выбор модели регрессии keras для 3 входов и 1 выхода

Итак, у меня есть модель keras следующим образом:

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()
# -----------------------------------------------------------

Выбор модели регрессии keras для 3 входов и 1 выхода

Но этот результат обучения не близок к 100% точности. Как я могу изменить узлы скрытого слоя модели или что-то еще? Я хочу получить высокую точность, близкую к 100%.

Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
0
70
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Чтобы повысить точность, вы можете попробовать разные вещи:

  • Добавьте больше слоев и поиграйте с их количеством нейронов
    -> С большим количеством слоев и нейронов модель может изучать паттерны более высокого уровня.

  • Распечатайте историю потерь и точности модели и посмотрите, как выглядят кривые (увеличение/уменьшение быстро/медленно, если вы ограничиваете или, возможно, модель еще не закончила обучение -> больше эпох и т. д.)

  • Поэкспериментируйте с размером пакета, измените оптимизатор, попробуйте другие функции активации.

Я надеюсь, что это может помочь вам

история модели имеет 3 ключа ['loss', 'mean_squared_error', 'acc'] и массив acc имеет те же значения (0,12299465304389995)

barteloma 22.05.2019 07:29

Но это данные временного ряда. Это имеет значение? Должен ли я изменить свой код?

barteloma 22.05.2019 09:22

Другие вопросы по теме