我正在尝试构建一个回归模型，使用数据集https://www.kaggle.com/shubhammehta21/movie-lens-small-latest-dataset来预测电影的“评级”。然而，在训练模型后，预测结果对所有测试特征都输出了相同的值。我已经阅读了之前类似的建议，这些建议包括调整学习率、特征数量以及检查预测模型是否与训练模型相同，但这些方法对我都没有效果。
我加载并处理数据如下：
links= pd.read_csv('../input/movie-lens-small-latest-dataset/links.csv')movies=pd.read_csv('../input/movie-lens-small-latest-dataset/movies.csv')...dataset=movies.merge(ratings,on='movieId').merge(tags,on='movieId').merge(links,on='movieId')to_drop='title','genres','timestamp_x','timestamp_y','userId_y','imdbId','tmdbId']dataset.drop(columns=to_drop,inplace=True)dataset=pd.get_dummies(dataset)代码展示了我是如何构建回归模型的。我尝试过调整神经元和层的数量，但这并没有影响输出结果。
from keras.models import Sequentialfrom keras.layers.core import Dense, Activationfrom keras.optimizers import Adammodel = Sequential()model.add(Dense(13, input_dim=1586, kernel_initializer='zero', activation='relu'))model.add(Dense(6, kernel_initializer='normal', activation='relu'))model.add(Dense(1, kernel_initializer='normal',activation='linear'))# Compile modeladam = Adam(lr=0.001)model.compile(loss='mean_squared_error', optimizer=adam,metrics=['mse','mae'])model.summary()history = model.fit(train_dataset,train_labels,batch_size=30, epochs=10,verbose=1, validation_split=0.3)score = model.evaluate(validation_dataset,validation_labels)print("Test score:", score)每当我尝试预测测试数据集时：
model.predict(test_dataset)它预测的值总是
3.97对于所有值。我期望得到的值范围在0到5之间。
回答：
你绝对不应该（我是说，绝对不应该）使用kernel_initializer='zero' – 说实话，我很惊讶Keras居然有这个选项！
此外，kernel_initializer='normal'也是不推荐的。
作为第一步，移除所有kernel_initializer参数，以便恢复到默认和推荐的kernel_initializer='glorot-uniform'；请记住，默认值的存在是有原因的（通常它们效果很好），只有在你确实有理由这样做（我相信你这里没有这样的理由）并且你知道自己在做什么时，你才应该改变它们。
如果仍然没有得到你期望的结果，可以尝试其他参数（层的数量/神经元数量、更多的训练轮次等）；起初，你应该保持Adam优化器的学习率（lr）不变（它也是这些似乎在不同情况下都能很好工作的默认值之一）。
