训练具有负似然性的神经网络进行回归
是一种常见的机器学习任务。在回归问题中，我们的目标是根据输入数据预测连续值的输出。
负似然性是一种常用的损失函数，用于衡量模型预测与实际观测之间的差异。在回归任务中，我们可以使用负似然性作为损失函数来优化神经网络模型的参数，使其能够更好地拟合训练数据。
具体而言，训练具有负似然性的神经网络进行回归可以分为以下步骤：
- 数据准备：收集和准备用于回归任务的训练数据集。数据集应包含输入特征和对应的目标值。
- 网络架构设计：选择适当的神经网络架构，包括输入层、隐藏层和输出层的节点数和连接方式。常用的回归网络包括全连接神经网络、卷积神经网络等。
- 损失函数选择：选择负似然性作为损失函数，用于衡量模型预测值与实际观测值之间的差异。常用的负似然性损失函数包括均方误差（Mean Squared Error）和平均绝对误差（Mean Absolute Error）。
- 参数优化：使用梯度下降等优化算法，通过最小化损失函数来更新神经网络的参数，使其能够更好地拟合训练数据。
- 模型评估：使用验证集或交叉验证等方法评估训练得到的模型在未见过的数据上的性能表现。常用的评估指标包括均方根误差（Root Mean Squared Error）和平均绝对误差。
在腾讯云的云计算平台上，可以使用腾讯云的AI开放平台（https://cloud.tencent.com/product/ai）提供的各类人工智能服务来支持训练具有负似然性的神经网络进行回归。例如，可以使用腾讯云的机器学习平台（https://cloud.tencent.com/product/mlp）提供的自动机器学习（AutoML）功能来自动化模型训练和优化过程。此外，腾讯云还提供了强大的计算资源和存储服务，以支持大规模的神经网络训练和数据处理。
请注意，以上答案仅供参考，具体的实现方法和腾讯云产品选择应根据实际需求和情况进行决策。
相关·内容
1回答
如何解释回归模型中的均方误差值？
machine-learning、python、regression、predictive-modeling、rmse
我正在研究一个简单的线性回归模型来预测基于“特征”的“标签”。这两个变量似乎是高度相关的corr=0.99。在将数据样本分割成训练和测试集之后。我做预测并评估模型。
metrics.mean_squared_error(Label_test,Label_Predicted) = 99.17777494521019
metrics.r2_score(Label_test,Label_Predicted) = 0.9909449021176512
基于r2_score，我的模型运行得很好。1是可能的最高值。但是当涉及到均方误差时，我不知道它是否表明我的模型表现良好。
我怎么解释MSE？
如果我有多
浏览 0提问于2021-03-08得票数 1
回答已采纳
2回答
为什么一个神经网络总是低估它的目标？
neural-network、keras、mlp
我有一个神经网络(MLP)，它一贯低估验证集、测试集和训练集上的目标变量(大约与验证集和测试集上的值相同)。换句话说，神经网络回归输出列(Y_hat)中的条目之和比目标变量列(Y)中的条目之和少10%。目标列中的条目大于或等于零，有相当数量的零项。目标变量的右侧尾部分布较长.
使用多个随机种子对神经网络进行拟合，得到相似的结果(神经网络都在相同的方向上有偏差，数量也是一样的)。
这个问题对于重要的超参数的变化似乎是相当稳健的，包括：-早期停止学习速率计划-模型复杂性-正则化(退出，批处理规范)。
对于低容量的神经网络来说，这个问题不那么严重。
有没有人知道为什么这种持续的低估会发生呢？
浏览 0提问于2018-09-15得票数 2
2回答
有多近足够近，与回归？
regression
在探索机器学习(神经网络)中的不同技术时，我喜欢用二进制分类问题作为测试平台，因为它很容易理解该技术工作得有多好: 50%的训练/测试准确率不亚于机会，70%是好的，98%是非常好的，等等。
然而，有时我需要使用回归问题来代替，在这里，我很难解释我的结果。如果我画了一个训练和测试均方误差的散点图，在训练前后，在训练前我得到0.1的损失，然后我得到0.01的损失。那是..。好的?我如何认识到成功和几乎没有比机会更好的区别？
通常，我是在处理合成问题，顺便说一句:拟合多项式或随机向量输入上的其他数学函数。
浏览 0提问于2021-02-20得票数 1
2回答
最大似然估计与梯度下降的关系
logistic-regression、gradient-descent
MLE (用于寻找logistic回归的最佳参数)和梯度下降之间的异同是什么？
浏览 0提问于2022-01-03得票数 1
1回答
我得到了非常小的mse值，不确定它是否正确？
linear-regression、prediction、accuracy、mse
下面是我拟合的线性回归模型，不确定我做的是否正确，因为我得到了99%的精确性。
拟合训练集
的简单线性回归
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score
ln_regressor = LinearRegression()
mse = cross_val_score(ln_regressor, X_train, Y_train , scoring = 'neg_mean_squared_error', cv = 5)
me
浏览 0提问于2020-04-21得票数 0
1回答
高斯输出层回归的训练神经网络
deep-learning、regression、rnn
如何使用高斯输出层训练对实数进行回归的神经网络模型？估计预测的平均参数和std参数。因为在训练期间，只有一个真正有价值的目标。会不会从输出高斯分布中抽取一个样本，然后对目标进行损失？或者会有两个目标，一个是平均值，一个是性病。
亚马逊的深度AR预测模型为时间序列预测做了类似的工作，在该模型中，RNN输出的FC层预测高斯分布的均值和std参数。但是，目标标签将只包含一个实数。那么如何计算损失呢？从高斯分布中提取样本，然后使用它？这种抽样是在RL中进行的，目的是鼓励探索，但我不知道在训练回归模型时是如何做到的
浏览 0提问于2021-11-04得票数 1
3回答
我的训练数据对我的神经网络来说是不是太复杂了？
tensorflow、machine-learning、keras、data-science
我是机器学习和堆栈溢出的新手，我试图从我的回归模型中解释两个图。
我的情况类似于这个家伙，但我的MSE和RMSE非常高。
我的模特不合身吗？如果是，我能做些什么来解决这个问题？
这是我用来解决回归问题的神经网络
def build_model():
model = keras.Sequential([
layers.Dense(128, activation=tf.nn.relu, input_shape=[len(train_dataset.keys())]),
layers.Dense(64, activation=tf.nn.relu),
layers.Dens
浏览 0提问于2019-07-26得票数 2
回答已采纳
1回答
二元分类成本函数，神经网络
neural-network、classification、deep-learning
我一直在调整深度学习，以训练一个二元分类问题的Logistic回归模型的权重，本教程使用了下面的负对数似然成本函数。
self.p_y_given_x = T.nnet.softmax(T.dot(input, self.W) + self.b)
def negative_log_likelihood(self, y):
return -T.mean(T.log(self.p_y_given_x)[T.arange(y.shape[0]), y])
然而，我的权重似乎没有正确地收敛，因为我的验证错误随着历代的增加而增加。
我在想，我是否在使用适当的成本函数来收敛到适当的权重。值得
浏览 1提问于2015-05-22得票数 1
3回答
深度学习的回归-巨大的mse和损失
tensorflow、machine-learning、keras、deep-learning、regression
我正试着训练一个预测汽车价格的模型。数据集来自kaggle：
我正在用以下代码准备数据：
class CarDataset(DataSet):
def __init__(self, csv_file):
df = pd.read_csv(csv_file).drop(["dateCrawled", "name", "abtest", "dateCreated", "nrOfPictures", "postalCode", "lastSeen"], axis
浏览 1提问于2019-07-30得票数 2
3回答
比较经典时间序列预测方法(ARIMA/Prophet)与ML方法的最佳通用度量？
time-series、predictive-modeling、xgboost、model-evaluations、arima
我是时间序列预测的新手，我希望将ARIMA/Prophet模型与基于历史股票市场数据和社交媒体情绪评分的XGBoost模型进行比较，预测未来的股票市场价值。
我更熟悉机器学习，所以通常会使用像R^2这样的评估指标来评估这类问题的模型性能。
是否有像ARIMA/Prophet这样的预测方法来评估它们的准确性，这样我就可以和XGBoost的预测精度做类似的比较了吗？
浏览 0提问于2020-07-15得票数 3
1回答
Keras模型的精度优化而非损失
python、r、machine-learning、keras、loss-function
如果我正确地理解了损失函数对模型的重要性，它将指导基于最小损失值的模型的训练。因此，例如，如果我希望我的模型被训练，以便有最小的平均绝对误差，我应该使用MAE作为损失函数。例如，为什么有时你看到有人想要达到最好的精度，但建立模型以最小化另一个完全不同的功能？例如：
model.compile(loss='mean_squared_error', optimizer='sgd', metrics='acc')
为什么上面的模型被训练来给我们最好的acc，因为在它的训练期间，它将尝试最小化另一个功能(MSE)。我知道，当已经训练的时候，模型的度量将给
浏览 1提问于2019-06-07得票数 2
回答已采纳
2回答
损失/val损失减少但acc/val_acc一致
keras、lstm、loss-function、accuracy
我不知道为什么我会得到这么好的结果。
Epoch 3/10 2937/2937 [==============================] - 12s 4ms/step -
loss: 0.2836 - acc: 0.4679 - val_loss: 0.1937 - val_acc: 0.1980
Epoch 4/10 2937/2937 [==============================] - 12s 4ms/step -
loss: 0.1355 - acc: 0.4679 - val_loss: 0.0866 - val_acc: 0.1980
>Epoc
浏览 0提问于2019-04-13得票数 0
1回答
时间序列预测的Keras神经网络在模型拟合过程中显示出nan
python、keras、neural-network、time-series、lstm
我正在训练一个神经网络，通过传递昨天的可用性(144个样本)来预测一整天的可用性(144个样本，6个特征)。对于如何定义神经网络来预测回归问题中的时间序列，我很难找到好的资源或解释。训练被定义为一个监督学习问题。我对神经网络的定义是，
lstm_neurons = 30
model = Sequential()
model.add(LSTM(lstm_neurons * 2, input_shape=(self.train_x.shape[1], sel f.train_x.shape[2]), return_sequences=True))
model.add(LSTM(lstm_n
浏览 0提问于2019-12-26得票数 1
3回答
如何利用神经网络学习陡峭函数？
machine-learning、deep-learning、neural-network、loss-function
我正在尝试使用神经网络来学习以下功能。
📷
📷
我总共有25个特点和19个产出。上面的图像显示了两个特征相对于其中一个输出的分布情况。该神经网络包含7个层，256个神经元具有漏神经网络的激活。最后一层是线性层。问题是输出太陡，而神经网络在峰值上有很大的误差。如何修改目标变量或神经网络，使其在峰值上产生一个较小的平均绝对误差(基本上使下面的误差图变平)？下面是错误图
📷
我试过但没用的东西-
使用日志转换目标变量。
增加神经网络的规模，希望一个足够大的神经网络能够适应任何情况，但训练损失仍然很大。
使用平均绝对，均方和百分比损失，我在这里问了同样的问题，https://stats.stackex
浏览 0提问于2022-09-22得票数 1
1回答
如何处理角星中的序号标签？
deep-learning、keras、keras-layer
我有整数目标类在1-5范围内的数据，其中一个是最低的，五个是最高的。在这种情况下，我是否应该将其视为回归问题，并在输出层中有一个节点？
我的处理方法是：
首先，我将标签转换为二进制类矩阵。
labels = to_categorical(np.asarray(labels))
在输出层中，我有五个节点。
main_output = Dense(5, activation='sigmoid', name='main_output')(x)
3-我在编译时使用了categorical_crossentropy和mean_squared_error
model.com
浏览 3提问于2017-03-07得票数 3
回答已采纳
1回答
基于TensorFlow概率的贝叶斯神经网络编码
python、tensorflow、tensorflow-probability
我试图使用TensorFlow概率来实现一个生物信息学回归任务的贝叶斯深度学习。在传统数据科学中最接近的类比是图像评分，该模型试图预测标签(浮动值)尽可能接近真实标签。
我以前在我的数据集上训练过一个TensorFlow中正常密集层的模型，它在一个独立的测试集上确实收敛并执行得很好。然而，当密集网络最终收敛到小于1的时候，贝叶斯网络似乎一点也不收敛，损失大约10,000。我认为错误可能在于我实现了贝叶斯神经网络。任何帮助都将不胜感激。
下面是来自贝叶斯神经网络和我试图替换的密集网络的代码片段。
贝叶斯神经网络
kernel_divergence_fn=lambda q, p, _: tfp.d
浏览 3提问于2020-12-02得票数 0
2回答
验证损失和验证精度在神经网络模型中保持不变。
neural-network、keras、regression、accuracy、validation
我试图从音频特征来训练一个用于音乐情感预测的keras回归模型。(我是NN的初学者，我正在做这个学习项目。)我有193个训练/预测功能，它应该可以预测价值和唤醒值。
我已经准备了一个有五个层次的NN模型：
model = Sequential()
model.add(Dense(100, activation='elu', input_dim=193))
model.add(Dense(200, activation='elu'))
model.add(Dense(200, activation='elu'))
model.add(Dense(1
浏览 0提问于2020-11-26得票数 0
1回答
决策树回归和KNN回归的评价指标
regression、decision-trees、linear-regression、k-nn
我已经开始从事决策树回归和KNN Regressor的工作。
我已经建立了模型，并且不确定评估需要考虑哪些度量标准。到目前为止，我已经考虑了根均方误差。
我们可以将$R^2$值用于决策树和KNN，还是只适用于线性回归模型？
我还粘贴了$R^2$和MSE值。据我的理解，线性回归模型是稳定的，决策树是过拟合的，KNN的误差较小。这里需要考虑哪种模式？
R2 Score for train - KNN regression 0.8215942683102192
R2 Score for test - KNN regression 0.7160388084850589
Mean squared err
浏览 0提问于2018-05-10得票数 3
回答已采纳
1回答
Keras模型精度未提高
machine-learning、keras、neural-network
我试图训练一个神经网络来预测easports对国际足联18级球员的评分(评级在64到99之间)。我正在使用他们的球员数据库()，我已经将数据处理成training_x、testing_x、training_y、testing_y。每个训练样本都是一个numpy数组，包含7个values...the前6是球员的不同状态(射击、传球、运球等)，最后一个值是球员的位置(根据位置的不同，我在1-8之间映射了这个位置)，每个测试值是64-99之间的一个整数，代表该球员的评分。
我尝试过许多不同的超参数，包括将激活函数更改为tanh和relu，并且在第一个密集层之后添加了批处理规范化层(我认为它可能很有用
浏览 0提问于2019-01-17得票数 0
1回答
损失函数负对数似然损失，尽管准确率极高
nlp、pytorch、loss、log-likelihood、sequence-to-sequence
我正在调试一个序列到序列模型，并故意尝试完美地拟合一个大约200个样本(长度在5-50之间的句子对)的小数据集。我在pytorch中使用负对数似然损失。我得到了很低的损失(~1e^-5)，但在同一数据集上的准确率只有33%。
我也在3个样本上训练了模型，并获得了100%的准确率，但在训练过程中我遇到了损失。我的印象是，如果预测标签和目标标签之间存在不匹配，则负对数似然只会给出损失(损失在~1e^-5的相同区域)。
我的代码中可能存在bug吗？
浏览 9提问于2020-07-14得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
