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）。
