Keras二分类正类精确率为0是否因Dense层过多

异常和Dense层数量无关，核心错误出在训练参数设置和预测逻辑上。

核心错误1：训练参数配置错误 #

你在模型训练时手动设置了steps_per_epoch=5，这个参数控制每个epoch迭代的batch数量。你的数据集总样本量接近13万，按常规8:2拆分训练集约10万样本，默认batch_size为32的情况下，每个epoch需要跑约3200步才能遍历完一次训练集。你设置成5意味着每个epoch仅喂给模型160个样本，哪怕训练100轮，模型也没有充分学习全量数据的规律，输出的预测概率整体偏移，没有校准到0.5分类阈值的水平。

这也是为什么你算出来ROC-AUC很高（说明模型对正负样本的排序能力是对的），但按0.5阈值判断时所有样本都被分到负类——AUC是排序类指标，不关心概率绝对值，只要正样本预测概率整体高于负样本就能拿到高分，哪怕所有正样本概率在0.4-0.49、负样本在0.1-0.3，AUC也能接近1，但0.5阈值下所有样本都会被判为负类，和你现在的分类报告结果完全吻合。

核心错误2：预测代码冗余且逻辑混乱 #

你的输出层是单节点+sigmoid激活，属于标准的二分类输出结构，不需要用np.argmax做标签转换（argmax是多分类softmax输出场景用的）。你代码里虽然写了y_predict_label = np.argmax(y_pred, axis=1)，但生成分类报告时根本没用到这个变量，传的是阈值判断后的布尔值，没有走规范的标签转换流程。

修复方案 #

直接按下面的代码修改即可：

1. 调整训练代码，删掉手动设置的steps_per_epoch参数，让框架自动计算每轮迭代步数，建议加上验证集监控方便早停：

# 训练时去掉steps_per_epoch=5，加上验证集拆分
history = keras_model.fit(
    scaled_X_train, y_train, 
    validation_split=0.1, # 拆分10%训练集当验证集
    epochs=100, 
    batch_size=32, # 显式指定batch size
    callbacks=earlystopping
)

2. 修正预测逻辑，先取原始概率再做阈值判断：

# 获取原始预测概率（shape: [样本数,]）
y_pred_prob = keras_model.predict(scaled_X_test, verbose=0).flatten()
# 按阈值转分类标签，单sigmoid输出不需要argmax
y_pred_label = (y_pred_prob > 0.5).astype(int)
# 生成分类报告
report = classification_report(y_test.flatten(), y_pred_label)
print(report)

3. 如果调整后还是出现概率整体偏移的情况，可以先统计y_pred_prob的分布，不要硬用0.5当阈值，找能让F1分数最优的分类阈值即可，毕竟0.9934的AUC说明模型的区分能力已经非常强。

模型结构说明 #

你现在用的3层Dense隐藏层结构对于22维输入的表格二分类任务完全不算复杂，不存在层过多导致异常的问题，不需要调整层数量。

运行结果参考截图 #

内容的提问来源于stack exchange，提问作者Edison