深度学习中遇到的预测上限问题

想问一下关于深度学习的一个问题：
在使用LSTM预测的时候，训练完成进行预测，发现数据存在一个上限，不是数据归一化（归一化0到1之间了）的问题，这个值大概在0.76左右，没有超过1，请问这是什么原因造成的。

这种情况可能是由于模型过拟合造成的。当模型过拟合时，它会在训练数据上表现得非常好，但在新数据上的表现就不那么好了。这可能会导致模型对某些值的预测出现上限，并且无法超过该值。

为了解决这个问题，您可以尝试以下方法：
1 增加训练数据量。这将有助于模型更好地泛化，并减少过拟合的风险。
2 减少模型的复杂度。过于复杂的模型往往更容易过拟合，因此您可以尝试减少模型中的层数或神经元数量。
3 添加正则化项。您可以使用L1或L2正则化来限制模型参数的大小，从而减少过拟合的风险。
4 使用dropout。dropout可以随机地在训练期间关闭一些神经元，在一定程度上减少过拟合的风险。

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7691000
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：【深度学习】基于LSTM时间序列的股票价格预测
• 除此之外, 这篇博客: 浅谈归一化对于LSTM进行时间序列预测的影响（附归一化代码）中的 2.对于训练数据进行归一化之后。使用训练数据的最大最小值（训练数据的范围）对于测试数据进行归一化 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 引入新的归一化函数

  def Normalize2(list,low,high):
      list = np.array(list)
      delta = high - low
      if delta != 0:
          for i in range(0, len(list)):
              list[i] = (list[i]-low)/delta
      return  list
  

  进行实验

  #实验2
  train_n,train_low,train_high = Normalize(traindata)
  #更新的归一化
  test_n = Normalize2(testdata,train_low,train_high)
  print(train_n,test_n)
  #前一个值预测后一个值
  train_X,train_Y = Create_dataset(train_n,look_back=1)
  test_X,test_Y = Create_dataset(test_n,look_back=1)
  #额外添加一个维度使train_X，test_X变为三维
  train_X = np.reshape(train_X, (train_X.shape[0], train_X.shape[1], 1))
  test_X = np.reshape(test_X, (test_X.shape[0], test_X.shape[1], 1))
  
  model = Train_Model(train_X,train_Y)
  
  train_predict = model.predict(train_X)
  test_predict  = model.predict(test_X)
  
  #反归一化
  train_Y = FNoramlize(train_Y,train_low,train_high)
  train_predict = FNoramlize(train_predict,train_low,train_high)
  test_Y = FNoramlize(test_Y,train_low,train_high)
  test_predict = FNoramlize(test_predict,train_low,train_high)
  
  #进行绘图
  plt.subplot(121)
  plt.plot(train_Y)
  plt.plot(train_predict)
  plt.subplot(122)
  plt.plot(test_Y)
  plt.plot(test_predict)
  plt.show()
  

  这时预测结果如图
  
  可以看到对于test数据预测结果发生了变化，周期没有改变，但是值发生了改变

• 您还可以看一下 炮哥带你学老师的快速带你入门深度学习与实战课程中的 6.14、基于LSTM黄金价格预测实战先导小节, 巩固相关知识点