我的回归神经网络训练时准确率卡在固定值无法提升如何解决？

核心问题：误用分类任务评估指标 #

准确率（accuracy）是分类任务专属的评估指标，计算逻辑是统计预测值与真实值完全相等的样本占比。你当前做的是回归任务，预测的是连续的分数值，标签经过缩放后是0-1区间的浮点数，模型输出的预测值几乎不可能和真实值完全一致，因此准确率始终处于极低水平且不会上升属于正常现象，该指标在回归场景下完全没有参考价值，你之前观察到的损失下降才是模型正在学习的正确信号。

修正步骤 #

1. 替换适配回归任务的评估指标 #

将模型编译环节的metrics参数更换为回归任务常用的平均绝对误差（MAE）、均方根误差（RMSE）即可，修改后的代码如下：

model.compile(
    loss='mse',
    optimizer=keras.optimizers.SGD(learning_rate=0.01),
    metrics=['mae']
)

后续训练时只需观察loss和mae的下降情况，不需要再关注准确率指标。

2. 可选优化建议 #

• 当前使用SGD优化器收敛速度较慢，可以替换为Adam优化器，学习率设置为0.001，能够大幅加快收敛速度：optimizer=keras.optimizers.Adam(learning_rate=0.001)
• 如果需要直接输出原始分数值，可删除data_y = data_y / 100这行归一化代码，同时将输出层的sigmoid激活函数更换为线性激活（即不设置activation参数）。
• 从你提供的特征与标签的散点图来看，特征和标签存在明显的相关性，当前模型结构完全可以拟合数据集，不需要调整隐藏层、神经元数量等结构参数。

内容的提问来源于stack exchange，提问作者Ikaruga