TensorFlow.js天气预测模型始终预测'Haze'问题排查与优化咨询

1. 优先排查数据问题（核心根源） #

• 类别不平衡验证：统计数据中各类别的样本占比，如果'Haze'样本占比过高（比如超70%），模型会默认预测该类别来获取“伪高准确率”。解决方式：
  • 对少数类别过采样（复制样本）或对'Haze'类欠采样（随机删除部分样本）
  • 训练时传入classWeight参数，给少数类别分配更高权重，比如classWeight: { 'Haze': 1, 'Rain': 6, 'Cloudy': 4 }
• 数据预处理校验：
  • 所有数值特征必须做标准化/归一化，可使用tf.layers.normalization()层自动适配，或手动计算均值标准差后缩放到[0,1]区间
  • 多分类标签需做独热编码（用tf.oneHot()实现），若用整数标签，损失函数需改用sparseCategoricalCrossentropy
  • 检查训练/验证集划分是否随机，避免某类别集中在单一集合中

2. 模型结构调整 #

• 输入形状匹配：输入层inputShape必须与特征维度一致，比如单样本含8个特征则设为inputShape: [8]
• 密集层配置：
  • 先从基线模型开始：1个隐藏层（单元数设为特征数的1.5-2倍，比如16个单元），激活函数用relu；输出层单元数等于类别总数，激活函数用softmax
  • 若基线效果差，逐步增加隐藏层（最多2-3层，避免过拟合），每层单元数递减（比如16→8→类别数）
• 防过拟合措施：在隐藏层后加入tf.layers.dropout({rate: 0.2})，或给密集层添加L2正则化kernelRegularizer: tf.regularizers.l2(0.001)

3. 优化器与损失函数选择 #

• 损失函数：
  • 独热编码标签用categoricalCrossentropy，整数标签用sparseCategoricalCrossentropy
  • 类别不平衡严重时，可自定义focalLoss降低易分类样本的权重
• 优化器：
  • 优先用Adam优化器，默认学习率0.001，若训练停滞可微调至0.0001或0.01
  • 避免直接用SGD，除非搭配动量参数（momentum: 0.9），否则收敛速度慢易陷入局部最优

4. 训练过程优化 #

• 早停机制：加入tf.callbacks.earlyStopping({ monitor: 'val_loss', patience: 5 })，验证损失连续5轮不下降则停止训练，避免无效迭代
• 日志分析：打印每轮的训练/验证准确率、损失，若训练准确率高但验证准确率低是过拟合，两者都低则是欠拟合
• 训练轮数调整：若41轮后停滞，先解决数据/模型结构问题，再考虑增加轮数

示例TensorFlow.js代码片段 #

// 特征归一化层
const normLayer = tf.layers.normalization({ inputShape: [featureNum] });
normLayer.adapt(trainFeatures);

// 构建模型
const model = tf.sequential();
model.add(normLayer);
model.add(tf.layers.dense({ units: 16, activation: 'relu', kernelRegularizer: tf.regularizers.l2(0.001) }));
model.add(tf.layers.dropout({ rate: 0.2 }));
model.add(tf.layers.dense({ units: classNum, activation: 'softmax' }));

// 编译模型（独热编码标签）
model.compile({
  optimizer: tf.train.adam(0.001),
  loss: 'categoricalCrossentropy',
  metrics: ['accuracy']
});

// 启动训练
const history = await model.fit(trainFeatures, trainLabels, {
  epochs: 100,
  validationSplit: 0.2,
  callbacks: [tf.callbacks.earlyStopping({ monitor: 'val_loss', patience: 5 })],
  classWeight: precomputedClassWeights
});

内容的提问来源于stack exchange，提问作者sribasu