Keras模型预测异常：高准确率下预测类别全为0的问题排查

问题场景 #

• 使用pandas和Keras处理威斯康星乳腺癌数据集，构建简单深度神经网络（DNN）
• 训练完成后，模型在测试集上的评估准确率约为97.66%
• 调用model.predict()获取预测结果后，用np.argmax()处理得到的类别全为0，但测试集真实标签包含0和1两类

问题原因 #

你的模型输出层设置为Dense(1, activation="sigmoid")，这是二分类任务的标准配置：输出是单个介于0-1之间的概率值，代表样本属于类别1的概率。而np.argmax()的作用是在多分类场景下（输出层有多个神经元，每个对应一类的概率），返回概率最大值的索引。但这里输出只有1个维度，np.argmax()作用于该维度时永远返回0，因此所有预测结果都被判定为类别0——这和模型的准确率不矛盾，因为Keras内部评估准确率时，是用阈值（默认0.5）来判断类别，而非np.argmax()。

解决方案 #

改用阈值判断（二分类任务通常以0.5为分界）将概率值转换为类别标签：

y_prediction = model.predict(X_test)
y_prediction = y_prediction > 0.5
y_prediction = y_prediction.astype(int)

模型构建与评估代码 #

from keras.models import Sequential
from keras.layers import Dense

model = Sequential() # 初始化空模型
model.add(Dense(12, input_dim=X_train.shape[1], activation="relu"))
model.add(Dense(1, activation="sigmoid")) 

model.compile(optimizer="sgd", loss="binary_crossentropy", metrics=["accuracy"])

model.fit(X_train, Y_train, epochs=100)

print("\nEvaluation: ", model.evaluate(X_test, Y_test))

内容的提问来源于stack exchange，提问作者Jonathan