使用Keras训练房价预测模型时准确率始终为0的问题求助

核心问题：用错了评估指标 #

房价预测是回归任务——要预测的是连续的房价数值，但你用了accuracy（准确率）这个分类任务的指标。分类任务里准确率是看预测类别和真实类别对不对得上，可回归任务里模型预测的房价是连续值，几乎不可能和真实房价完全相等，所以准确率必然是0，这个指标对回归任务完全没用。

其他影响模型训练的问题及修复 #

• 特征没做归一化：你的特征数值跨度极大，比如sqft_lot可能是几千，lat是几十，这种差异会让模型很难学，导致损失值居高不下。必须用标准化或归一化把所有特征缩到相近的范围里。
• 模型没学到东西：从训练日志看损失值根本没下降，除了归一化，还可以调整训练参数（比如batch size、训练轮数）或者微调模型结构。

修改后的可运行代码 #

import keras
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

from google.colab import files
uploaded = files.upload()

import io
dataset = pd.read_csv(io.BytesIO(uploaded['kc_house_data.csv']))

# 拆分特征和标签
features = dataset.drop(columns=['price', 'id', 'date'])
labels = dataset[['price']]

# 特征标准化处理
scaler = StandardScaler()
features_scaled = scaler.fit_transform(features)

# 划分训练集和测试集，方便验证模型效果
X_train, X_test, y_train, y_test = train_test_split(features_scaled, labels, test_size=0.2, random_state=42)

# 搭建模型（结构不变，后续可根据效果调整）
model = keras.models.Sequential([
         keras.layers.Dense(19, 'relu', input_shape=(18,)),
         keras.layers.Dense(19, 'relu'),
         keras.layers.Dense(1)                     
])

# 替换为回归任务适用的评估指标，比如平均绝对误差（MAE）
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mean_absolute_error'])

# 训练模型，增加轮数并加入验证集监控
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.1)

# 在测试集上评估模型效果
test_loss, test_mae = model.evaluate(X_test, y_test)
print(f"测试集平均绝对误差: {test_mae}")

关键修改说明 #

1. 把评估指标换成mean_absolute_error（平均绝对误差），这个指标能直观反映模型预测房价和真实房价的平均差距，是回归任务的常用评估指标。
2. 用StandardScaler对特征做标准化，让所有特征的数值范围统一，帮助模型更快收敛。
3. 划分训练集和测试集，加入验证集，能更好地监控模型是否过拟合或欠拟合。

内容的提问来源于stack exchange，提问作者Osama Mohammed