为何独热编码（OHE）在此AutoKeras分类任务中准确率更低？

• 损失函数与任务类型不匹配
  AutoKeras识别到独热编码标签时，默认会采用分类交叉熵损失函数，但如果你的模型输出层未对应设置softmax激活，或者独热编码本身存在格式问题（比如标签列顺序错误、包含无效值），会导致损失计算逻辑混乱，模型无法有效学习特征与标签的关联。而整数标签会触发稀疏分类交叉熵损失，这种损失不需要手动做独热编码，对标签格式容错性更高，更适配AutoKeras默认的分类模型结构。

• AutoKeras模型搜索逻辑的差异
  AutoKeras会根据输入标签的类型自动调整候选模型结构的搜索方向。当输入是独热编码时，它可能会尝试一些适配多维度标签的复杂结构（比如额外的全连接层），反而干扰了模型对核心特征（邻域计数、氢键计数等）的学习；而整数标签会引导AutoKeras搜索更适合单标签分类的轻量化结构，刚好匹配你的数据特性，从而得到精度更高的模型。

• 分块加载时的独热编码数据问题
  你采用分块加载.npy文件的方式，独热编码是二维数据（样本数×3），在分块合并过程中更容易出现维度错位、数据拼接错误等问题，导致模型接收的标签信号混乱。而整数标签是一维数据，分块加载和合并时出错概率低，模型能稳定获取正确的标签信息。

• 标签分布与独热编码的适配性问题
  如果你的三类标签分布不均衡，独热编码会让分类交叉熵对每个类别单独计算损失，放大少数类的损失权重，导致模型偏向多数类，测试时准确率骤降；而稀疏分类交叉熵针对单个标签计算损失，更适合不均衡数据集的学习，能让模型更好地捕捉类别边界。

内容的提问来源于stack exchange，提问作者user366312