基于R语言Keras构建回归神经网络的技术咨询

嘿，作为Keras新手能快速搭出回归模型的雏形已经很赞啦！不过我看你的代码里有个关键小问题，还有些可以优化的地方，咱们一起捋捋：

先看你的代码 #

network <- keras_model_sequential() %>% 
  layer_dense(units = 15, activation = "sigmoid", input_shape = c(50)) %>% 
  layer_dense(units = 1)
summary(network)
network %>% compile(optimizer = optimizer_rmsprop(), 
                    loss = "mean_squared_error", 
                    metrics = c("accuracy"))
network %>% fit(train_features, train_target, epochs = 100)

最关键的问题：评估指标用错了！ #

你在compile步骤里指定了metrics = c("accuracy")，但accuracy是专门给分类任务用的指标，完全不适合回归问题！回归任务需要用和数值预测相关的评估指标，比如：

• mean_absolute_error（MAE，平均绝对误差，直观反映预测值和真实值的平均差距）
• mean_squared_error（MSE，和你选的损失函数一致，侧重惩罚大误差）
• root_mean_squared_error（RMSE，均方根误差，和目标值单位一致，更易解读）

修改后的compile代码可以是这样：

network %>% compile(optimizer = optimizer_rmsprop(), 
                    loss = "mean_squared_error", 
                    metrics = c("mean_absolute_error"))

其他可以优化的小细节 #

• 隐藏层激活函数：你现在用的sigmoid在回归任务的隐藏层里不是最优选择，推荐换成relu，它能有效缓解梯度消失问题，在大多数回归场景下表现更好：

  layer_dense(units = 15, activation = "relu", input_shape = c(50))
  

• 加入验证集监控：训练时可以加上validation_split参数，用一部分训练数据做验证，能及时发现模型是否过拟合：

  network %>% fit(train_features, train_target, 
                  epochs = 100,
                  validation_split = 0.2)
  

要是你看模型摘要时有具体的疑问，也可以把摘要内容补充上来，我再帮你分析～

内容的提问来源于stack exchange，提问作者Akira