我想预测利率，我有一些相关因素，比如股票指数和货币供应量之类的。因素的数量可能高达200个。

例如，训练数据如下，X包含因素，y是我想要训练和预测的利率。

     factor1      factor2     factor3          factor176  factor177    factor178X= [[ 2.1428      6.1557      5.4101     ...,  5.86        6.0735      6.191 ]    [ 2.168       6.1533      5.2315     ...,  5.8185      6.0591      6.189 ]    [ 2.125       4.7965      3.9443     ...,  5.7845      5.9873      6.1283]...]y= [[ 3.5593]    [ 3.014 ]    [ 2.7125]...]

所以我想使用tensorflow/tflearn来训练这个模型，但我不知道具体应该选择什么方法来进行回归。我之前尝试过使用tflearn的LinearRegression，但结果不是很好。

目前，我只是使用我在网上找到的代码。

net = tflearn.input_data([None, 178])net = tflearn.fully_connected(net, 64, activation='linear',                                weight_decay=0.0005)net = tflearn.fully_connected(net, 1, activation='linear')net = tflearn.regression(net, optimizer=tflearn.optimizers.AdaGrad(learning_rate=0.01, initial_accumulator_value=0.01), loss='mean_square', learning_rate=0.05)model = tflearn.DNN(net, tensorboard_verbose=0, checkpoint_path='tmp/')model.fit(X, y, show_metric=True,            batch_size=1, n_epoch=100)

当误差范围为±10%时，结果的准确率大约为50%。我尝试将窗口设置为7天，但结果仍然不好。所以我想知道我可以使用哪些额外的层来改善这个网络的性能。

回答：

首先，这个网络没有任何意义。如果你的隐藏单元没有激活函数，那么你的网络相当于线性回归。

所以首先要将

net = tflearn.fully_connected(net, 64, activation='linear',                                weight_decay=0.0005)

改为

net = tflearn.fully_connected(net, 64, activation='relu',                                weight_decay=0.0005)

另一个普遍的建议是始终对数据进行归一化。你的X值和y值都很大——确保它们不是，通过例如白化它们（使它们均值为0，标准差为1）。

找到合适的架构是一个难题，你不会找到任何“神奇的秘方”。从理解你在做什么开始。记录你的训练，看看训练损失是否收敛到较小的值，如果没有——要么是训练时间不够长，网络太小，或者训练超参数设置不当（比如学习率太大，正则化太强等）。