我在一个虚拟数据集上使用了KerasRegressor，并尝试预测训练值本身。结果输出的效果远不及预期。训练数据一点也不随机。能有人帮帮我吗？

from keras.models import Sequentialfrom keras.layers import Densefrom keras.wrappers.scikit_learn import KerasRegressorimport numpy as nyX = ny.array([[1,2], [3,4], [5,6], [7,8], [9,10]])Y = ny.array([3, 4, 5, 6, 7])N = 5def brain():    #Create the brain    br_model=Sequential()    br_model.add(Dense(3, input_dim=2, kernel_initializer='normal',activation='relu'))    br_model.add(Dense(2, kernel_initializer='normal',activation='relu'))    br_model.add(Dense(1,kernel_initializer='normal'))    #Compile the brain    br_model.compile(loss='mean_squared_error',optimizer='adam')    return br_modelestimator = KerasRegressor(build_fn=brain, nb_epoch=1000000, batch_size=5,verbose=1)print "Done"estimator.fit(X,Y)prediction = estimator.predict(X)print Yprint prediction

输出结果是

[3 4 5 6 7][0.001 0.001 0.001 0.001 0.001]

基本上，预测值是0.001，而实际值并非如此。我尝试了其他网络配置，但遇到了相同的问题。我该做（或不做）什么才能得到准确的输出？

回答：

这是新手常犯的一个经典错误，即在将数据输入神经网络之前没有对其进行归一化处理（参见这个回答中的第三点，讨论了在卷积神经网络的分类设置中由于相同问题导致的类似问题）。

（我承认，在我见过的多数教程中，这个关键点通常没有被足够强调；甚至可能更糟，例如在Tensorflow的MNIST For ML Beginners教程中，Tensorflow提供的实用函数返回的数据已经在[0, 1]范围内进行了归一化处理，对用户来说是透明的，并且没有任何提示，这就隐藏了读者在以后使用自己的数据时肯定需要执行的一个关键步骤）。

因此，您需要对特征和输出进行归一化处理；保持您展示的X和Y数据不变：

# 特征缩放（忽略可能由于整数转换为浮点数而产生的警告）from sklearn.preprocessing import StandardScalersc_X = StandardScaler()X_train = sc_X.fit_transform(X)sc_Y = StandardScaler()Y_train = sc_Y.fit_transform(Y)

然后，将epochs调整为仅1000（对于这些数据，您绝对不需要100万个epochs！），并在缩放后的数据上进行拟合：

estimator = KerasRegressor(build_fn=brain, epochs=1000, batch_size=5,verbose=1)estimator.fit(X_train,Y_train)

您将得到：

prediction = estimator.predict(X_train)print(Y_train)print(prediction)# [-1.41421356 -0.70710678  0.          0.70710678  1.41421356]# [-1.01221371 -1.01221371 -0.08764046  0.69051325  1.42577887]

或者，使用inverse_transform将输出缩放回其原始范围：

print(Y)print(sc_Y.inverse_transform(prediction))# [3 4 5 6 7]# [ 3.56851363  3.56851363  4.87605762  5.97653294  7.01635551]