Regression neuronales Netzwerk - Die MSE kann nicht minimieren ⇐ Python

[Anonymous]

Ich kämpfe darum, die MSE für eine Regressionsbasis zu minimieren. Ich habe drei Eingänge und zwei Ausgänge. Aber ich komme leer. Die MSE ist nicht nahezu Null oder sogar weniger als 10. Sie könnte einige Anleitungen zu dem verwenden, was ich in meinem Code ändern könnte, um ein neuronales Netzwerk besser in meine Daten zu passen. Sollte ich mehr Ebenen hinzufügen oder die Aktivierungsfunktion usw. ändern usw. < /p>
Auch nicht klar, wie MSE für jeden Ausgang separat angezeigt wird. Mindestens eine Ausgabe läuft also gut. Irgendwelche Vorschläge? < /P>

Code: Select all

import pandas as pd
import numpy as np
import os
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'
import tensorflow as tf
import keras
from keras import layers

import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
# from sklearn.metrics import accuracy_score

# Random seed
seed = 42
tf.config.experimental.enable_op_determinism()
tf.random.set_seed(seed)
keras.utils.set_random_seed(812)

# get the generated data into train & test folder
df = pd.read_csv('./nominal_data/train.csv')
df_train, df_test = train_test_split(df, test_size=0.2)

# Constant Flow mode
# input will be rpm & flow & dp_sidecar
# output will be supply_temp & dp_rpm_available

#Train Data
x_train = df_train[['pump1_rpm', 'liquid_flow', 'dp_sidecar']]
y_train = df_train[['supply_temp', 'dp_rpm_available']]
# Test Data
x_test = df_test[['pump1_rpm', 'liquid_flow', 'dp_sidecar']]
y_test = df_test[['supply_temp','dp_rpm_available']]

#print (x_train)
# scaler = MinMaxScaler(feature_range=(0,1))
# scaled_x_train = scaler.fit_transform(x_train)
# scaled_y_train = scaler.fit_transform(y_train)

model = keras.Sequential(name="my_sequential")
model.add(layers.Dense(32, activation="relu", name="layer1", input_shape = (3,)))
model.add(layers.Dense(64, activation="relu", name="layer2"))
model.add(layers.Dense(64, activation="relu", name="layer3"))
model.add(layers.Dense(32, activation="relu", name="layer4"))
model.add(layers.Dense(2, activation="linear", name="layer5"))
#
model.compile(loss='mse', optimizer= 'adam', metrics = ['mse','mae'])
model.fit(x_train, y_train, epochs = 1000, batch_size = 1200, verbose = 0,  validation_data = (x_test, y_test))
#
results = model.evaluate(x_test, y_test)
print("test loss, test acc:", results)

Die Datei ist hier:
https://limewire.com/d/dd6c5b89-560c-4b ... cdseaksaku