我正在学习机器学习，我的数据集包含7列：
home_team, away_team, home_odds, away_odds, home_score, away_score, 1_if_home_wins_else_0为了能够将团队数据输入Tensorflow，我将每个团队转换为整数，因此前两列是整数（类似于数据库ID）。
CSV文件中有10000行数据。
示例
我修改了pima indians diabetes的代码来预测主队的获胜情况。
因此，现在它“预测”主队是否获胜（1），否则为0。
现在我想修改算法来预测具体的得分home_score和away_score。我知道输出会不准确，这只是学习过程的一部分。
代码
# 加载数据集dataset = loadtxt('football_data.csv', delimiter=',')# 分割成输入（X）和输出（y）变量X = dataset[:, 0:4]y = dataset[:, 6]# 定义Keras模型model = Sequential()model.add(Dense(12, input_dim=4, activation='relu'))model.add(Dense(8, activation='relu'))model.add(Dense(1, activation='sigmoid'))# 编译Keras模型model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])# 用数据集拟合Keras模型model.fit(X, y, epochs=150, batch_size=10)# 评估Keras模型_, accuracy = model.evaluate(X, y)print('准确率: %.2f' % (accuracy * 100))# 使用模型进行类别预测predictions = model.predict_classes(X)# 总结前5个案例for i in range(50): print('%s => %d (预期 %d)' % (X[i].tolist(), predictions[i], y[i]))你知道如何做到这一点吗？
回答：
由于你现在想要预测得分，即一个连续的量（虽然是整数），这不再是一个分类问题，而是一个回归问题。
为此，你需要对现有模型进行两个更改；首先是修改最终层为
model.add(Dense(2)) # 最终层即2个节点（与所需输出数量相同），没有激活函数（这意味着默认的linear，即我们用于回归的激活函数）。
第二个修改应该是损失函数：
model.compile(loss='mean_squared_error', optimizer='adam')当然，你还需要相应地修改y数据，使每个y包含2个元素，并使用model.predict代替model.predict_classes（因为现在你没有类别）。
你所要求的本质上是一个多输出回归；另见最近的讨论：如何训练一个单输入多输出的回归模型？ – 实际上，使用函数式Keras API可能更好，如该讨论中所示，并且在评论中已有建议。
