如何在随机数据实验中减少损失并提高准确性？

如何解决如何在随机数据实验中减少损失并提高准确性？

我刚刚进入深度学习领域，并做了一些小实验来学习如何调整模型以减少损失并提高准确性，无论我尝试了多少种方法（添加层，神经元等）但仍达不到我的目标... 谁能给我一些提示和建议？谢谢！

注意：因为我之前制作了一个非常大且丑陋的模型，并且数据无法拟合该模型（即精度没有增加），所以对学习如何调整模型进行了一些简单的测试，顺便说一下，在这个模型中，我的数据非常类似于这个小的实验数据（股市数据，非常随机），因此请尝试使用此数据来了解更多...谢谢！

这是我的代码，非常简单：

import pandas as pd
from tensorflow.keras import layers
from sklearn.preprocessing import StandardScaler

x1 = pd.DataFrame(np.round(np.random.rand(100,2)*100,0))
y1 = pd.DataFrame(np.round(np.random.rand(100,1)*100,0))
scale = StandardScaler() #z-scaler物件
xx1 = pd.DataFrame(scale.fit_transform(x1),columns=x1.keys())
yy1 = pd.DataFrame(scale.fit_transform(y1),columns=y1.keys())
the_input =  keras.Input(shape=(2))
x = layers.Dense(500)(the_input)
for i in range(50):
    x = layers.Dense(500,activation='linear')(x)
    if i%5 ==0 : x = layers.Layernormalization(axis=1)(x)

main_output_1 = layers.Dense(1,name='mo_1')(x)
model = keras.Model(inputs=the_input,outputs=main_output_1,name='DELS_model')
model.compile(loss="mean_squared_error",optimizer='RMSprop',metrics=['accuracy'])