11

我试图在 Keras 中设置一个非线性回归问题。不幸的是，结果表明过度拟合正在发生。这是代码，

model = Sequential()
model.add(Dense(number_of_neurons, input_dim=X_train.shape[1], activation='relu', kernel_regularizer=regularizers.l2(0)))
model.add(Dense(int(number_of_neurons), activation = 'relu', kernel_regularizer=regularizers.l2(0)))
model.add(Dense(int(number_of_neurons), activation='relu', kernel_regularizer=regularizers.l2(0)))
model.add(Dense(int(number_of_neurons), activation='relu',kernel_regularizer=regularizers.l2(0)))
model.add(Dense(int(number_of_neurons), activation='relu',kernel_regularizer=regularizers.l2(0)))
model.add(Dense(outdim, activation='linear'))
Adam = optimizers.Adam(lr=0.001)
model.compile(loss='mean_squared_error', optimizer=Adam, metrics=['mae'])
model.fit(X, Y, epochs=1000, batch_size=500, validation_split=0.2, shuffle=True, verbose=2 , initial_epoch=0)

没有正则化的结果显示在这里没有正则化。与验证相比，训练的平均绝对误差要小得多，并且两者都有固定的差距，这是过度拟合的标志。

像这样为每一层指定L2正则化，

model = Sequential()
model.add(Dense(number_of_neurons, input_dim=X_train.shape[1], activation='relu', kernel_regularizer=regularizers.l2(0.001)))
model.add(Dense(int(number_of_neurons), activation = 'relu', kernel_regularizer=regularizers.l2(0.001)))
model.add(Dense(int(number_of_neurons), activation='relu', kernel_regularizer=regularizers.l2(0.001)))
model.add(Dense(int(number_of_neurons), activation='relu',kernel_regularizer=regularizers.l2(0.001)))
model.add(Dense(int(number_of_neurons), activation='relu',kernel_regularizer=regularizers.l2(0.001)))
model.add(Dense(outdim, activation='linear'))
Adam = optimizers.Adam(lr=0.001)
model.compile(loss='mean_squared_error', optimizer=Adam, metrics=['mae'])
model.fit(X, Y, epochs=1000, batch_size=500, validation_split=0.2, shuffle=True, verbose=2 , initial_epoch=0)

这些结果显示在这里L2 正则化结果。用于测试的 MAE 接近于训练，这很好。然而，训练的 MAE 很差，只有 0.03（没有正则化，它要低得多，为 0.0028）。

我能做些什么来减少正则化的训练 MAE？

4

1 回答 1

12

根据您的结果，您似乎需要找到适量的正则化来平衡训练准确性和对测试集的良好泛化。这可能就像减少 L2 参数一样简单。尝试将 lambda 从 0.001 减少到 0.0001 并比较您的结果。

如果找不到适合 L2 的参数设置，可以尝试 dropout 正则化。只需model.add(Dropout(0.2))在每对密集层之间添加，并在必要时尝试丢失率。较高的辍学率对应于更多的正则化。

于 2018-01-11T16:45:15.800 回答