相同特征对应不同标签时，如何正确训练神经网络？

问题背景 #

你作为机器学习新手，在训练以下数据的神经网络后，预测结果不符合预期：

训练数据：

train_x = np.array([1, 1, 1, 2, 2, 2])
train_y = np.array([1., 0., 1., 0., 0., 1.])

模型构建与训练代码：

inpLayer = tf.keras.layers.Input(1)
hiddenLayer = tf.keras.layers.Dense(2, activation='relu')(inpLayer)
outputLayer = tf.keras.layers.Dense(1, activation='sigmoid')(hiddenLayer)    
model = tf.keras.models.Model(inpLayer, outputLayer)

model.compile('adam', 'binary_crossentropy', metrics)
model.fit(train_x, train_y, 1, 10000, 2)

训练10000次后，执行model.predict(np.array([1, 2]))得到结果：

[[0.50000435]
 [0.50000435]]

核心问题：训练数据无有效规律 #

你的训练数据本身不存在可学习的映射关系：

• 当输入x=1时，对应的标签y既有1也有0，完全矛盾
• 当输入x=2时，对应的标签y同样既有0也有1，没有固定规律

这种情况下，模型无法学到任何有效的输入输出对应关系，最终只能收敛到接近0.5的预测值——这相当于随机猜测，是模型在这种无规律数据下的合理表现。

代码中的其他小问题 #

除了数据本身的问题，你的代码还有几个需要修正的细节：

• metrics参数未指定具体指标，应该写成metrics=['accuracy']，否则会引发参数错误
• 输入数据建议调整为二维形状：train_x = train_x.reshape(-1, 1)，虽然Keras会自动适配一维输入，但显式调整能避免潜在的形状兼容问题
• model.fit中的validation_split参数错误，该参数需要传入0到1之间的比例值（比如0.2表示用20%数据做验证），而不是整数2

解决建议 #

如果想要模型输出合理的预测结果，你需要：

1. 重新整理训练数据，确保相同输入对应一致的标签，或者增加更多特征让模型能区分不同样本的差异
2. 修正代码中的参数错误，确保训练过程正常运行

内容的提问来源于stack exchange，提问作者Majk