Прогнозирование цен через нейронную сеть (Керас) - PullRequest
Новая
       5

Прогнозирование цен через нейронную сеть (Керас)

0 голосов
/ 28 апреля 2019

Я пытаюсь сделать прогноз цены звонка, мой набор данных выглядит примерно так 

call_category_id,duration,Number 1,Number 2,price
9,24,77348,70000,0.01
9,144,77348,70000,0.08
9,138,77348,70000,0.08
9,12,77348,70000,0.01

Набранный номер разделен на два числа (номер 1, номер 2), так как я думаю, что это улучшит результат прогнозирования. Обычно первые несколько цифр звонка определяют цену за минуту.

Моя модель выглядит примерно так: 


def get_model():
    model = Sequential([
        Dense(40,
              activation='relu',
              kernel_initializer='uniform',
              input_shape=(4,)),
        Dropout(0.3),
        Dense(36,
              activation='relu',
              kernel_initializer='uniform'),
        Dropout(0.3),
        Dense(32,
              activation='relu',
              kernel_initializer='uniform'),
        Dropout(0.3),
        Dense(28,
              activation='relu',
              kernel_initializer='uniform'),
        Dropout(0.3),
        Dense(24,
              activation='relu',
              kernel_initializer='uniform'),
        Dense(32,
              activation='relu',
              kernel_initializer='uniform'),
        Dropout(0.3),
        Dense(20,
              activation='relu',
              kernel_initializer='uniform'),
        Dropout(0.3),
        Dense(1, activation='linear'),
    ])
    c_optimizers = optimizers.Adam()
    model.compile(optimizer=c_optimizers,
                  loss='mean_squared_error',
                  metrics=['accuracy'])

    return model


model.fit(
    x_train,
    y_train,
    batch_size=1024,
    epochs=1000,
    validation_data=(x_test, y_test),
    shuffle=True,
    callbacks=[tensor_board])

Однако проблема в том, что точность никогда не улучшится, она застрянет на 19,6%. 

39879/39879 [==============================] - 0s 5us/step - loss: 0.1646 - acc: 0.1969 - val_loss: 0.1003 - val_acc: 0.2065
...