基于多参数的深度学习房价预测模型准确率始终为0的技术求助

核心问题：任务类型完全错配 #

房价预测是连续值回归任务，但你的模型配置完全是针对二分类任务的：

• 输出层用sigmoid激活（仅适用于0/1二分类场景）
• 损失函数选binary_crossentropy（二分类专用损失函数）
• 用accuracy（分类任务指标）评估回归结果，两者完全不匹配，这是准确率始终为0的直接原因。

具体修复步骤 #

1. 调整模型结构与训练配置 #

将模型修改为适配回归任务的版本：

import tensorflow as tf

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(units=6, activation='relu'))
model.add(tf.keras.layers.Dense(units=6, activation='relu'))
# 回归任务输出层无需激活（默认linear激活，适配连续值输出）
model.add(tf.keras.layers.Dense(units=1))
# 回归任务用均方误差（MSE）作为损失，评估用平均绝对误差（MAE）等回归指标
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mean_absolute_error'])
model.fit(X_train, y_train, batch_size=32, epochs=100)

2. 替换评估逻辑 #

回归任务不能使用accuracy_score，换成回归专用的评估指标：

from sklearn.metrics import mean_squared_error, mean_absolute_error

# 生成测试集预测结果
y_pred = model.predict(X_test)
# 计算回归任务指标
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)
print(f"测试集均方误差: {mse}, 平均绝对误差: {mae}")

3. 额外优化建议 #

• 校验目标变量：确认y_train和y_test是连续的房价数值，而非误处理为0/1的分类标签
• 特征缩放：深度学习模型对特征尺度敏感，用StandardScaler或MinMaxScaler对面积、房龄等连续特征做标准化/归一化处理
• 数据集检查：确保训练集与测试集分布一致，避免数据泄露（比如预处理时不能用测试集数据拟合缩放器）

内容的提问来源于stack exchange，提问作者Krystian