Обученная регрессионная модель Keras предсказывает один и тот же результат для всех наборов тестовых функций

Question

Я пытаюсь построить регрессионную модель, которая прогнозирует «рейтинги» для фильмов с использованием набора данных https://www.kaggle.com/shubhammehta21/movie-lens-small-latest-dataset. Однако после обучения модели прогнозы выдают одинаковое значение для всех тестовых функций. Я читал предыдущие подобные функции, которые предлагали скорректировать скорость обучения, нет. функций и проверки того, что модель предсказания такая же, как обученная модель. Ничто из этого не помогло мне.

Я загружаю данные и обрабатываю их:

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)

Код показывает, как я строю регрессионную модель. Я попытался отрегулировать количество нейронов и слоев, однако это не повлияло на выход. значение

3.97

для всех значений. Я ожидаю диапазон значений от 0 до 5.

Answer 1

Вы никогда не должны (я имею в виду, никогда ) использовать kernel_initializer='zero' - если честно, я удивлен, что опция даже существует в Keras!

Также kernel_initializer='normal' - этоне рекомендуется.

В качестве первого шага удалите все kernel_initializer аргументы, чтобы вернуться к по умолчанию и рекомендованному, kernel_initializer='glorot-uniform';имейте в виду, что значения по умолчанию существуют по какой-то причине (обычно они работают хорошо), и вы должны изменить их только в том случае, если у вас действительно есть причина для этого (которую, я надеюсь, у вас нет здесь), иВы знаете, что делаете.

Если вы все еще не получили того, что ожидали, поэкспериментируйте с другими параметрами (количество слоев / нейронов, больше эпох и т. д.);Вы должны оставить скорость обучения (lr) оптимизатора Adam такой же, как для начинающих (это также одно из этих значений по умолчанию, которое, похоже, хорошо работает для всех случаев).