python - 训练模型来预测简单的线性函数

Question

我正在尝试使用 keras 进行逻辑回归，这是我在 ML 方面的第一个实验之一。假设我想预测一些非常简单的连续函数的值，只有 1 个参数，例如 y = x*10

我尝试像这样训练模型:

from matplotlib import pyplot as plt
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation

# fix random seed for reproducibility
np.random.seed(7)

# function
curve = np.vectorize(lambda x: x*10)

# data
Xideal = np.arange(1, 15.5, 0.005)
Yideal = curve(Xideal)
X = Xideal[1::5]
Y = curve(X)

# Model 
model = Sequential()
model.add(Dense(20, activation='sigmoid', input_dim=1))
model.add(Dense(5, activation='linear'))
model.add(Dense(1))

model.compile(loss='mse', optimizer='rmsprop', metrics=['accuracy'])

# Fit

model.fit(X, Y, nb_epoch=1000, batch_size=32, verbose=0)

# Evaluate

# evaluate the model
scores = model.evaluate(Xideal, Yideal)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
print("\n%s: %.2f%%" % (model.metrics_names[0], scores[0]*100))

给我结果 2624/2900 [==========================>...] - ETA: 0s acc: 2.38% loss: 44.35%

不知道为什么准确率只有 2.38%。我尝试了具有不同激活函数、批量大小和周期的不同模型，但仅获得了最大 10% 的准确率。我想我错过了一些基本的东西

Answer 1

对于这种线性数据，单个 Dense 层就足够了。 我将只使用梯度下降，而不是 rmsprop。

我已经为你创建了一个 ipython 笔记本:http://nbviewer.jupyter.org/gist/lhk/6650e4fb85f625199ee5be6d52cbbd0d

请注意:在图中，我必须手动将两条线移开。这就是为什么有-2。