调整模型以获得更好的性能

Question

我为回归问题建立了一个模型，即从9个输入变量中预测一个值。该模型的开发是基于Keras库的人工神经网络

在这个使用编译和拟合方法的模型中，我已经预测了输出值。然而，我得到了糟糕的评价分数。我使用RMSE和R2评估了模型

（已归一化的）预测值和标记值之间的RMSE为0.207，（原始形式）预测值和标记值之间的RMSE为215，R2为0.4

如何修改模型以获得更好的结果（低RMSE和高R2）？或者这种模式可以接受吗？

import keras


model = keras.models.Sequential()

model.add(keras.layers.Dense(36, input_dim=9, activation='relu', kernel_initializer='normal'))
model.add(keras.layers.Dropout(0.5))
model.add(keras.layers.Dense(1))

callback = keras.callbacks.EarlyStopping(monitor='val_mean_squared_error', patience=10)

from keras.models import Model

model.compile(loss=[keras.losses.MeanSquaredError()],
             optimizer=keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999),   
             metrics=[keras.metrics.MeanSquaredError()])

model_history = model.fit(myscaled_x_train.values, myscaled_y_train.values, epochs=100, batch_size=32, verbose=1, validation_data=(myscaled_x_valid.values, myscaled_y_valid.values),
                         callbacks=[callback])

model_history

寻找解决方案和解释，如果有人能帮我的话。谢谢你

Answer 1

如果你使用神经网络解决回归问题，确保你有一个大的数据集，这样它的使用是合理的。对于较小的数据集，最好使用统计机器学习。

Answer 2

有不同的技术可以提高性能：

• 可以添加更多隐藏层