我正在开始学习机器学习工具，并希望能更深入了解我在做什么。例如，以下脚本：
from keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activation, BatchNormalizationfrom keras.initializers import RandomUniformimport numpynumpy.random.seed(13)RandomUniform(seed=13)model = Sequential()model.add(Dense(6, input_dim=6))model.add(BatchNormalization())model.add(Activation('tanh'))model.add(Dropout(0.01))model.add(Dense(11))model.add(Activation('tanh'))model.add(Dropout(0.01))model.add(Dense(1))model.add(Activation('sigmoid'))model.compile(optimizer='sgd', loss='mean_absolute_error', metrics=['accuracy'])data = numpy.loadtxt('train', delimiter=' ')X = data[:, 0:6]Y = data[:, 6]model.fit(X, Y, batch_size=1, epochs=1000)data = numpy.loadtxt('test', delimiter=' ')X = data[:, 0:6]Y = data[:, 6]score = model.evaluate(X, Y, verbose=1)print ('\n\nThe error is:\n', score, "\n")print('\n\nPrediction:\n')Y = model.predict(X, batch_size=1, verbose=1)print('\nResult:\n', Y, '\n')这是一个我从网上找到的几个例子拼凑而成的“弗兰肯斯坦”，我有很多关于它的未解问题：
- train 文件有60行。1000个周期是否太少？还是太多？是否会导致欠拟合/过拟合？
- 从
model.evaluate()得到的结果是什么意思？我知道这是损失值，但如果我得到的是[7.0506157875061035, 0.0]，这是否意味着我的模型有7%的误差？ - 最后，我得到的预测值是0.99875391, 0.99875391, 0.9362126, 0.99875391, 0.99875391, 0.99875391, 0.93571019，而预期值接近7.86, 3.57, 8.93, 6.57, 11.7, 8.53, 9.06，这意味着这是一个非常糟糕的预测。显然，我有很多地方做错了。你们能给我一些建议吗？
我知道这都取决于我使用的数据类型，但有什么是我绝对不应该做的吗？或者有什么是我应该做的？
回答：
1
关于多少个周期是一个好的数字，从来没有一个现成的答案。这取决于你的数据大小、模型以及你想要达到的目标。通常，小模型需要较少的周期，大模型需要更多的周期。你的模型看起来足够小，1000个周期似乎太多了。
这也取决于学习率，这是给优化器的一个参数，定义了模型更新权重时步长的长度。较大的学习率意味着较少的周期，但有可能会因为调整权重过度而永远找不到一个好的点。较小的学习率意味着更多的周期和更好的学习效果。
通常，如果损失达到一个极限，你就接近了一个训练不再有用的点。（当然，模型本身也可能有问题，这真的没有一个简单的答案）。
要检测过拟合，除了训练数据（X和Y）外，你还需要另一组测试数据（例如Xtest和Ytest）。
然后你可以在model.fit(X,Y, validation_data=(Xtest,Ytest), ...)中使用它
测试数据不用于训练，它被单独保留，只是为了看看你的模型是否能从它从未见过的数据中做出好的预测。
如果训练损失下降，但验证损失不下降，你就出现了过拟合（粗略地说，你的模型能够记住训练数据而不是真正理解它）。
相反，欠拟合发生在你永远达不到预期的准确率时（当然我们总是期望100%的准确率，没有错误，但好的模型通常能达到90%左右，有些应用能达到99%，有些更差，这也是非常主观的）。
2
model.evaluate()会给你损失值和你在compile方法中添加的度量值。
损失值是模型在训练过程中总是试图减少的东西。它大致意味着你的模型与精确值之间的距离。没有规则规定损失值的含义，它甚至可能是负数（但通常Keras使用正损失）。关键是：它必须在训练过程中减少，这意味着你的模型在进化。
准确率值表示你的模型输出的正确预测与真实值（Y）的对比。看起来你的准确率是0%，你的模型全错了。（从你输入的值可以看出）。
3
在你的模型中，你使用了激活函数。这些函数将结果归一化，以避免结果过大。这可以避免溢出问题、数值错误传播等。
在这样的界限内工作是非常常见的。
tanh– 输出值在-1到1之间sigmoid– 输出值在0到1之间
好吧，如果你在最后一层使用了sigmoid激活函数，你的模型永远不会输出3这样的值。它会尝试，但最大值是1。
你应该做的就是准备你的数据（Y），使其在0到1之间。（这在分类问题中是最好的做法，通常也用于图像）
但如果你确实想要数值结果，那么你应该移除激活函数，让输出可以达到更高的值。（这完全取决于你希望模型实现什么）
