我有一个来自原始NHANES的处理过的数据集。根据可用的特征，我需要执行回归任务，即确定一个人的实际年龄（通常，我需要确定生物年龄，但现在我停在实际年龄上）。
问题是，我不能选择正确的层和它们的数量，以及超参数，优化器，损失和其他（我尝试了其中的许多）。我已经试着这么做了好几天了，但没有用。也许我做错了什么，或者我的数据相关性太差，这是我能得到的最大值。总的来说，我需要一些比我更有经验的人的建议。任何具体的建议或提示将不胜感激，但感谢任何帮助。
下面是输入数据的示例（最后两列是KDM计算的生物年龄及其调整值。在将来，我需要精确计算这些值，但现在我不使用它们）：

下面是一个示例代码（我知道这个模型很简单，但更复杂的变体显示出同样糟糕的结果，类似于mae和mse等默认损失函数的情况）：

# BA and BAC is biological age estimated using KDM method
# Need to estimate similar value without them
X = df_male.drop(columns=['Age', 'BA', 'BAC'])
y = df_male[['Age', 'BA', 'BAC']]

X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                    test_size=0.3,
                                                    random_state=20)

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

model_0_ha = Sequential([
    layers.BatchNormalization(input_shape=(X_train_scaled.shape[1],)),
    layers.Dense(50),
    layers.PReLU(),
    layers.BatchNormalization(),
    layers.AlphaDropout(0.2),
    layers.Dense(25),
    layers.PReLU(),
    layers.BatchNormalization(),
    layers.Dense(1, activation='relu'),
])

optimizer = optimizers.experimental.Adamax(learning_rate=0.01)    

def max_mae_loss(y_true, y_pred):
    mae = K.abs(y_true - y_pred)
    max_mae = K.max(mae)
    min_mae = K.min(mae)
    return max_mae-min_mae

model_0_ha._name = "model_male_0_ha"

model_0_ha.compile(loss=max_mae_loss,
                  optimizer = optimizer,
                  metrics=[metrics.MeanSquaredError(),
                         metrics.MeanAbsoluteError()])

custom_metrics_callback = CustomMetricsCallback()
custom_metrics_callback.X_test = X_test_scaled
custom_metrics_callback.y_test = y_test['Age']
custom_metrics_callback.loss_name = 'CMASE'
custom_metrics_callback.epoch_count = 50

start_time = time.time()

history = model_0_ha.fit(X_train_scaled, y_train['Age'],
                         epochs=250,
                         batch_size=100,
                         callbacks=[custom_metrics_callback],
                         verbose=0)

end_time = time.time()
execution_time = end_time - start_time

prediction = model_0_ha.predict(X_test_scaled)

我已经把我的代码和数据集放在google colab上了，所以你可以在这个link上尝试一下（如果这个资源允许这样的链接的话）。