Keras训练CNN二分类模型fit准确率高但精确率召回率低求解

• 最核心的问题是测试集预测结果和真实标签的顺序不匹配：你处理测试集时沿用了训练集的shuffle逻辑，测试集被随机打乱。调用model.predict(valid_ds)时遍历了一次打乱后的测试集，后续提取valid_labels时又重新遍历了一次测试集，两次遍历的样本顺序完全不同，导致标签和预测结果无法对应，看起来就像随机预测，分类指标自然严重失准。
• 类别不平衡的干扰：你的数据集负样本是正样本的2倍，即便模型预测存在偏差，只要更多预测为占比更高的负样本，也能得到较高的准确率，你看到的95%测试准确率存在一定的"水分"，无法反映真实的分类能力。
• 过拟合问题：训练集准确率达到99%，明显高于测试集的95%，说明模型对训练集的特征学习过拟合，泛化能力不足，也会导致实际分类效果变差。
• 无效参数冗余：你代码中model.fit传入的batch_size=100是无效参数，因为你已经对训练集和测试集做了batch(12)的处理，该参数不会生效，属于冗余配置。

1. 优先修复标签匹配问题
   测试集不需要做shuffle处理，首先修改测试集的构造逻辑，去掉shuffle步骤；也可以一次性提取测试集的所有样本和标签，保证预测输入和标签的对应关系，参考代码：

# 一次性获取测试集的所有特征和标签，避免两次遍历顺序不一致
valid_features, valid_labels = [], []
for x, y in valid_ds:
    valid_features.append(x.numpy())
    valid_labels.append(y.numpy())
valid_features = np.concatenate(valid_features, axis=0)
valid_labels = np.concatenate(valid_labels, axis=0)

# 直接用提取的特征做预测，保证顺序完全对应
y_pred = model.predict(valid_features)
y_pred = (y_pred > 0.5).astype(float)

2. 优化类别不平衡处理
   训练时添加类别权重，让模型更关注占比更少的正样本：

# 负样本数量是正样本的2倍，正样本权重设为2平衡损失贡献
class_weight = {0: 1, 1: 2}
history= model.fit(train_ds, validation_data=valid_ds, epochs=5, 
                   callbacks=[checkpoint_cb, early_stopping_cb],
                   class_weight=class_weight)

也可以替换损失函数为Focal Loss，进一步降低易分类的负样本的权重。
3. 优化模型降低过拟合
可以适当减少全连接层的神经元数量，或者增加Dropout比例，也可以添加L2正则化约束，缩小训练集和测试集的准确率差距。
4. 调整分类阈值
不平衡数据集不适合用默认的0.5作为分类阈值，可以根据PR曲线的平衡点选择最优阈值，进一步提升精确率和召回率。

内容的提问来源于stack exchange，提问作者Javier Decena Castillo