TensorFlow搭建的评分预测模型结果全为1、准确率为0如何排查

AI 小北

2026-8-29

问题背景

我是人工智能领域初学者，此前无TensorFlow使用经验，搭建模型时遇到预测结果全为1、指标异常的问题。需求是基于13个特征预测Critic_Score评分，使用的代码如下：

inputs = tf.keras.Input(shape=(13,))
x = tf.keras.layers.Dense(64, activation='relu')(inputs)
x = tf.keras.layers.Dense(64, activation='relu')(x)
outputs = tf.keras.layers.Dense(1, activation='sigmoid')(x)

model = tf.keras.Model(inputs, outputs)

model.compile(
    optimizer='adam',
    loss= tf.keras.losses.MeanSquaredError(),
    metrics=[tf.keras.metrics.AUC(name='auc')]
)
batch_size = 32
epochs = 30
history = model.fit(
     X_train,
     y_train,
     validation_split=0.2,
     batch_size = batch_size,
     epochs = epochs,
     callbacks=[tf.keras.callbacks.ReduceLROnPlateau()],
     verbose=0,
)

deepLearningEv = model.evaluate(X_test, y_test)
prediction = model.predict(X_test)

训练完成后所有预测结果均为1。

问题原因

代码存在3个核心错误，直接导致模型训练失效：

任务与网络配置不匹配：预测Critic_Score属于回归任务，目标是输出连续数值，但输出层误用二分类场景的sigmoid激活函数，会把所有输出强制压缩到0-1区间。如果你的评分标签没有归一化到0-1范围（比如常见评分是0-10、0-100区间），模型训练时梯度会快速爆炸，参数最终塌缩到输出上限1，就会出现全预测1的现象。
评估指标选择错误：AUC是分类任务专用指标，依赖离散分类标签和分类概率计算结果，回归任务使用AUC没有任何参考意义，你看到的准确率为0本质是指标错配，不是模型完全无效。
训练流程缺少必要校验：没有对特征、标签做标准化/归一化处理的情况下，特征尺度差异过大会直接导致神经网络训练不稳定，很容易出现输出塌缩。同时训练时verbose设为0，完全看不到loss变化趋势，没法及时发现训练发散、loss异常的问题。

修正方案

先做数据预处理，统一特征和标签的尺度：

from sklearn.preprocessing import StandardScaler
# 特征标准化
x_scaler = StandardScaler()
X_train = x_scaler.fit_transform(X_train)
X_test = x_scaler.transform(X_test)
# 标签标准化，如果你要把标签映射到0-1区间也可以用MinMaxScaler，注意要和输出层范围匹配
y_scaler = StandardScaler()
y_train = y_scaler.fit_transform(y_train.reshape(-1, 1)).flatten()
y_test = y_scaler.transform(y_test.reshape(-1, 1)).flatten()

修改模型结构和编译配置，匹配回归任务要求：

inputs = tf.keras.Input(shape=(13,))
x = tf.keras.layers.Dense(64, activation='relu')(inputs)
x = tf.keras.layers.Dense(64, activation='relu')(x)
# 回归任务输出层使用默认线性激活，不要加sigmoid
outputs = tf.keras.layers.Dense(1)(x)

model = tf.keras.Model(inputs, outputs)

model.compile(
    optimizer='adam',
    loss= tf.keras.losses.MeanSquaredError(),
    # 回归任务使用MAE、MSE等回归指标，不要用分类的AUC、Accuracy
    metrics=[tf.keras.metrics.MeanAbsoluteError(name='mae')]
)
batch_size = 32
epochs = 30
history = model.fit(
     X_train,
     y_train,
     validation_split=0.2,
     batch_size = batch_size,
     epochs = epochs,
     # 给学习率衰减回调指定监控指标，默认监控val_loss更合理
     callbacks=[tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', patience=3)],
     # 打开训练日志，实时观察loss变化
     verbose=1,
)

deepLearningEv = model.evaluate(X_test, y_test)
prediction = model.predict(X_test)
# 预测结果逆变换回原始评分区间
prediction = y_scaler.inverse_transform(prediction)

注意：如果你一定要用sigmoid作为输出层激活，必须先把标签值归一化到0-1区间，否则sigmoid永远无法输出大于1的结果，不可能拟合超出范围的标签值。

内容的提问来源于stack exchange，提问作者Albastrali