训练的LSTM文本分类模型准确率为0.00，求问题排查建议

核心问题：数据集未打乱导致训练/测试集类别完全分离 #

你的标签是前15000条为1（有毒），后15000条为0（无毒），但代码直接按顺序截取前80%作为训练集、后20%作为测试集：

split_index = int(0.8 * len(sequences))
x_train, x_test = sequences[:split_index], sequences[split_index:]
y_train, y_test = labels[:split_index], labels[split_index:]

这会造成训练集全是标签1的样本，测试集全是标签0的样本。模型训练时只学会识别类别1，测试时面对全是类别0的样本只能持续预测1，最终准确率为0.00。

解决方案：打乱数据集顺序 #

划分训练/测试集前必须将文本与标签对应打乱，保证两类样本在两个集合中都有分布，以下两种方法任选其一：

方法1：使用sklearn的train_test_split

先安装scikit-learn（若未安装），再修改代码：

from sklearn.model_selection import train_test_split

# 打乱数据并按比例划分，stratify保证类别比例与原数据集一致
x_train, x_test, y_train, y_test = train_test_split(sequences, labels, test_size=0.2, random_state=42, stratify=labels)

方法2：手动打乱索引

若不想依赖第三方库，可手动生成打乱索引：

import numpy as np

# 生成随机打乱的索引数组
indices = np.arange(len(sequences))
np.random.shuffle(indices)

# 按打乱后的索引重新排列数据
sequences_shuffled = sequences[indices]
labels_shuffled = labels[indices]

# 再进行数据集划分
split_index = int(0.8 * len(sequences_shuffled))
x_train, x_test = sequences_shuffled[:split_index], sequences_shuffled[split_index:]
y_train, y_test = labels_shuffled[:split_index], labels_shuffled[split_index:]

其他需要排查的点 #

• 文本预处理质量：确认clean.py的data()函数完成了必要清洗（如小写转换、特殊字符移除、停用词过滤等），噪声过大的文本会严重干扰模型学习。
• 序列长度合理性：若max_seq_length过大（如超过500），LSTM可能难以捕捉有效特征，可考虑取序列长度的95分位数作为阈值，避免梯度消失或训练低效。
• 标签编码验证：检查to_categorical转换后的标签格式是否正确，确保one-hot编码与模型输出的类别对应（比如标签1对应[0,1]，标签0对应[1,0]）。
• 模型复杂度调整：可先尝试更简单的模型（如TextCNN、MLP）验证数据有效性，再逐步调整LSTM的单元数、Embedding维度等参数。

内容的提问来源于stack exchange，提问作者Osa