我的数据如下所示

数据总共有29列，我需要预测其中winPlacePerc（数据框的末端），其值介于1（高百分比）到0（低百分比）之间

在29列中，25列是数值数据，3列是ID（对象类型），1列是分类数据

我删除了所有的ID列（因为它们都是唯一的），并将分类数据（matchType）编码为独热编码

完成这些操作后，我剩下41列（经过独热编码后）

这是我创建数据的方式

X = df.drop(columns=['winPlacePerc'])#创建仅包含目标列的数据框y = df[['winPlacePerc']]

现在我的X有40列，我的标签数据看起来像这样

> y.head()winPlacePerc0   0.44441   0.64002   0.77553   0.16674   0.1875

我还拥有大量数据，大约40万条数据，为了测试目的，我只训练其中一小部分，使用sckit来实现

X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.997, random_state=32)

这样可以得到大约1.3万条数据用于训练

对于模型，我使用的是Keras顺序模型

from keras.models import Sequentialfrom keras.layers import Densefrom keras.layers import Dense, Dropout, Activationfrom keras.layers.normalization import BatchNormalizationfrom keras import optimizersn_cols = X_train.shape[1]model = Sequential()model.add(Dense(40, activation='relu', input_shape=(n_cols,)))model.add(Dense(1, activation='sigmoid'))model.compile(loss='mean_squared_error',              optimizer='Adam',              metrics=['accuracy'])model.fit(X_train, y_train,          epochs=50,          validation_split=0.2,          batch_size=20)

由于我的y标签数据介于0和1之间，我使用sigmoid层作为我的输出层

这是训练和验证的损失与准确率图

我还尝试将标签转换为二进制，使用阶跃函数和二元交叉熵损失函数

转换后的y标签数据看起来像这样

> y.head()winPlacePerc0   01   12   13   04   0

并更改损失函数

model.compile(loss='binary_crossentropy',              optimizer='Adam',              metrics=['accuracy'])

这种方法比之前的更糟

如你所见，它在某些轮次后就不再学习了，即使我使用所有数据而不是其中的一小部分，情况也是如此

在这些方法都不奏效后，我还使用了 dropout并尝试增加更多层，但这些方法在这里都不起作用

现在我的问题是，我在这里做错了什么？是层的问题还是数据的问题？我怎样才能改进这一点？

回答：

为了澄清，这是一个回归问题，因此使用准确率并不真的有意义，因为你永远无法精确预测到0.23124这样的值。

首先，你肯定需要在将数据传入网络之前对其进行标准化（不包括独热编码的数据）。可以先尝试使用StandardScaler。

其次，我建议更改输出层的激活函数 – 尝试使用linear，并将损失函数设置为mean_squared_error应该没问题。

为了验证你的模型的“准确率”，可以将预测值和实际值一起绘制出来 – 这应该能让你有机会视觉上验证结果。然而，话虽如此，你的损失看起来已经相当不错了。

查看这篇文章，应该能让你很好地理解何时以及如何使用（激活函数和损失函数）。