Предсказание нейронной сети в Keras, возвращающее одно и то же значение для разных входов - PullRequest
Новая
       26

Предсказание нейронной сети в Keras, возвращающее одно и то же значение для разных входов

0 голосов
/ 03 ноября 2019

Я пытаюсь предсказать массив значений с помощью нейронной сети Keras следующим образом: 

def create_network():
    np.random.seed(0)
    number_of_features = (22) 
    # start neural network
    network = models.Sequential()  
    # Adding three layers
    # Add fully connected layer with ReLU
    network.add(layers.Dense(units=35, activation="relu", input_shape=(number_of_features,)))
    # Add fully connected layer with ReLU 
    network.add(layers.Dense(units=35, activation='relu'))
    # Add fully connected layer with no activation function
    network.add(layers.Dense(units=1))
    # Compile neural network
    network.compile(loss='mse',  
                    optimizer='RMSprop',  
                    metrics=['mse'])  
    # Return compiled network
    return network


neural_network = KerasClassifier(build_fn=create_network, epochs = 10, batch_size = 100, verbose = 0)

neural_network.fit(x_train, y_train)

neural_network.predict(x_test)

При использовании кода для прогнозирования я получаю следующие выходные данные: 

array([[-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031],
       [-0.23991031]])

Различные значения в этом массиве не должны быть одинаковыми, поскольку точки входных данных не совпадают. Почему это происходит?

Данные разбиваются на поезда и тестируются следующим образом: 

x_train, x_test, y_train, y_test = train_test_split(df3, df2['RETURN NEXT 12 MONTHS'], test_size=0.2)# 0.2 means 20% of the values are used for testing

Вот несколько примеров данных: 

x_train
     RETURN ON INVESTED CAPITAL  ...  VOLATILITY
226                      0.0436  ...      0.3676
309                      0.1073  ...      0.3552
306                      0.1073  ...      0.3660
238                      0.1257  ...      0.4352
254                      0.1960  ...      0.4230
308                      0.1073  ...      0.3661
327                      0.2108  ...      0.2674
325                      0.2108  ...      0.2836
...

Кадр данныхвыше имеет 22 столбца и около 100 строк.

Соответствующие данные обучения y: 

y_train
226    0.137662
309    1.100000
306    0.725738
238    0.244292
254   -0.557806
308    1.052402
327   -0.035730
...

Я пытался использовать разное количество эпох, размер пакета и разную архитектуру модели, но все они дают одинаковый вывод для всех входных данных.

За эпоху потерь: 

Epoch 1/10
 10/100 [==>...........................] - ETA: 1s - loss: 1525.8176 - mse: 1525.8176
100/100 [==============================] - 0s 2ms/step - loss: 13771.8389 - mse: 13771.8389
Epoch 2/10
 10/100 [==>...........................] - ETA: 0s - loss: 4315.0015 - mse: 4315.0015
 30/100 [========>.....................] - ETA: 0s - loss: 23554.2446 - mse: 23554.2441
 40/100 [===========>..................] - ETA: 0s - loss: 18089.7297 - mse: 18089.7305
 50/100 [==============>...............] - ETA: 0s - loss: 15002.7878 - mse: 15002.7871
100/100 [==============================] - 0s 2ms/step - loss: 10520.1019 - mse: 10520.1025
Epoch 3/10
 10/100 [==>...........................] - ETA: 0s - loss: 2722.1135 - mse: 2722.1135
100/100 [==============================] - 0s 167us/step - loss: 8500.4698 - mse: 8500.4697
Epoch 4/10
 10/100 [==>...........................] - ETA: 0s - loss: 3192.2231 - mse: 3192.2231
 50/100 [==============>...............] - ETA: 0s - loss: 4860.0622 - mse: 4860.0620
 90/100 [==========================>...] - ETA: 0s - loss: 7377.6898 - mse: 7377.6904
100/100 [==============================] - 0s 1ms/step - loss: 6911.2499 - mse: 6911.2500
Epoch 5/10
 10/100 [==>...........................] - ETA: 0s - loss: 1996.5687 - mse: 1996.5687
 60/100 [=================>............] - ETA: 0s - loss: 6902.6661 - mse: 6902.6660
 70/100 [====================>.........] - ETA: 0s - loss: 6162.6467 - mse: 6162.6470
 90/100 [==========================>...] - ETA: 0s - loss: 6195.4129 - mse: 6195.4131
100/100 [==============================] - 0s 4ms/step - loss: 5773.2919 - mse: 5773.2925
Epoch 6/10
 10/100 [==>...........................] - ETA: 0s - loss: 3063.1946 - mse: 3063.1946
 80/100 [=======================>......] - ETA: 0s - loss: 5351.2784 - mse: 5351.2793
 90/100 [==========================>...] - ETA: 0s - loss: 5100.9203 - mse: 5100.9214
100/100 [==============================] - 0s 2ms/step - loss: 4755.7785 - mse: 4755.7793
Epoch 7/10
 10/100 [==>...........................] - ETA: 0s - loss: 3710.8032 - mse: 3710.8032
 70/100 [====================>.........] - ETA: 0s - loss: 4607.9606 - mse: 4607.9609
100/100 [==============================] - 0s 943us/step - loss: 3847.0730 - mse: 3847.0732
Epoch 8/10
 10/100 [==>...........................] - ETA: 0s - loss: 1742.0632 - mse: 1742.0632
 30/100 [========>.....................] - ETA: 0s - loss: 2304.5816 - mse: 2304.5818
100/100 [==============================] - 0s 1ms/step - loss: 3109.5293 - mse: 3109.5293
Epoch 9/10
 10/100 [==>...........................] - ETA: 0s - loss: 2027.7537 - mse: 2027.7537
100/100 [==============================] - 0s 574us/step - loss: 2537.4794 - mse: 2537.4795
Epoch 10/10
 10/100 [==>...........................] - ETA: 0s - loss: 2966.5125 - mse: 2966.5125
100/100 [==============================] - 0s 177us/step - loss: 2191.3686 - mse: 2191.3687
...