如何使用 Keras 预测函数/表？答案

【问题标题】：How to predict a function/table using Keras?如何使用 Keras 预测函数/表？
【发布时间】：2019-10-12 07:02:12
【问题描述】：

我目前正在学习 keras。我的目标是创建一个简单的模型来预测函数的值。首先，我创建了两个数组，一个用于 X 值，一个用于相应的 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()

我得到这个输出（蓝色是训练数据，橙色是预测）：

我做错了什么？我猜这是网络架构的根本问题，对吧？

【问题讨论】：

标签： python machine-learning keras neural-network

【解决方案1】：

问题确实出在您的网络架构上。具体来说，您在所有层中都使用线性激活：这意味着网络只能拟合线性函数。你应该在输出层保持线性激活，但你应该在隐藏层使用 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；我建议你多用几个。

【讨论】：

【解决方案2】：

在黑熊提供的答案之上：

在将输入 X 和输出 Y 输入神经网络之前，您应该标准化：
```
# Feature Scaling (ignore possible warnings due to conversion of integers to floats)
from sklearn.preprocessing import 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, ...)
```
请参阅this answer 以了解如果您不这样做会发生什么，在与您的回归设置非常相似的情况下。请记住，您应该使用sc_X 类似地缩放任何测试数据；此外，如果您稍后需要将模型生成的任何 predictions 缩放回 Y 的原始比例，您应该使用
```
sc_Y.inverse_transform(predictions)
```
在像您这样的回归设置中，准确性没有任何意义；你应该从你的模型编译中删除metrics=['accuracy']（损失本身作为一个指标就足够了）

【讨论】：