~~~ model = models.Sequential() model.add(layers.Dense(64, activation='relu',input_shape=(train_data.shape[1],))) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(1)) ~~~ 網絡的**最后一層**只有一個單元，沒有激活，是一個**線性層**（網絡可以學會預測任意范圍內的值）。 這是**標量回歸**（標量回歸是預測單一連續值的回歸）的典型設置。 ~~如果向最后一層添加sigmoid激活函數，網絡只能學會預測 0~1 范圍內的值~~ ***** ~~~ model.compile(optimizer='rmsprop', loss='mse', metrics=['mae']) ~~~ **均方誤差**（MSE，mean squared error）：預測值與目標值之差的平方 **平均絕對誤差**（MAE，mean absolute error）：預測值與目標值之差的絕對值 ***** ## **小結** * 回歸問題使用的損失函數與分類問題不同。**回歸**常用的**損失函數**是**均方誤差**（**MSE**）。 * 同樣，回歸問題使用的**評估指標**也與分類問題不同。顯而易見，精度的概念不適用于回歸問題。常見的回歸指標是**平均絕對誤差**（**MAE**）。 * 如果輸入數據的**特征**具有**不同的取值范圍**，應該先進行**預處理**，對每個特征**單獨進行縮放**。 * 如果可用的數據很少，使用***K*折驗證**可以可靠地評估模型。 * 如果可用的**訓練數據很少**，最好使用**隱藏層較少**（通常只有一到兩個）的小型網絡，以**避免嚴重的過擬合**。