数据挖掘 - 机器学习中回归问题的精确预测 - 吾爱随笔录

我正在处理发货天数交货问题，我想预测发货天数（连续变量目标）

我已经尝试过神经网络和随机森林回归器，如果我考虑 MAE 或 MSE，我的错误率非常低，但是如果我比较实际的船期和预测的船期，我会在大多数值上得到很多差异。我想做的是(actual ship days - predicted ship days)大多数记录应该有5天的差异，但是我在大多数样本中都得到了巨大的差异

训练样本：110 万条记录
测试样本：90万条记录

algo1：随机森林回归器（使用默认参数）

algo2：神经网络

loss: 46.2513 - mae: 5.2729 - val_loss: 46.5231 - val_mae: 5.2836

我的代码：

network = models.Sequential()
network.add(layers.Dense(128, activation='relu', input_shape=(23,)))
network.add(layers.Dropout(0.5))
network.add(layers.Dense(64, activation='relu'))
network.add(layers.Dropout(0.5))
network.add(layers.Dense(1,activation='linear'))

network.compile(loss='mean_squared_error', optimizer='adam', metrics=['mae'])

history = network.fit(X_train_scaled, train_ship_days,
                    validation_data=(X_test_scaled, test_ship_days),
                    epochs=50,
                    batch_size=128)

最终目标：实际发货天数和 predict_ship_Days 对于至少 80 % 的记录应该有最小差异

建议我一些我可以实现的算法或技术