Python 使用Keras的线性回归参数估计

我的数据集变得非常大，因此我无法使用典型的OLS方法来计算线性回归估计量，因此我想使用典型的优化器(Adam似乎很适合)

我知道我可以用Keras相当简单地做到这一点，请参阅下面的例子

    import numpy as np
    import tensorflow as tf
    from tensorflow.keras.models import Sequential
    from tensorflow.keras.layers import Dense
    from tensorflow.keras.optimizers import Adam

    # Define the model
    def build_model(input_dim):
        model = Sequential()
        # Using a smaller standard deviation for the normal initializer
        model.add(Dense(1, input_dim=input_dim, kernel_initializer=tf.keras.initializers.RandomNormal(mean=0.0, stddev=0.05), activation='linear'))
        # Increased learning rate
        optimizer = Adam(learning_rate=0.1)
        model.compile(loss='mse', optimizer=optimizer, metrics=['mse'])
        return model

    # Example usage:
    X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]], dtype=float)
    y = np.array([3, 5, 7, 9, 11], dtype=float)

    # Build and train the model
    model = build_model(input_dim=2)
    model.fit(X, y, epochs=1000, verbose=0, batch_size=5)  # Reduced number of epochs and batch size

    # Make predictions
    predictions = model.predict(X)
    print("Predictions:", predictions.flatten())

    # Output the model summary to check the structure
    model.summary()
    model.get_weights()

然而，我的问题是，即使在1000个纪元之后，它仍然没有收敛到明显的1，1权重，大约是1.15 / 0.85

Adam对于这个例子来说不是一个很好的优化者，或者我做错了什么-我记得前段时间玩过Singapore，我记得当时在lineg问题上交谈得非常快.这对我来说有点令人担忧，因为我需要在一个超过1，000，000 x 100的矩阵上运行它，并且在那里运行1000个纪元将永远需要.