如何从CNN文本分类模型获取预测标签？模型仅返回0该如何解决

一、直接错误：预测标签的处理逻辑错误 #

你当前的输出层是Dense(1, activation='sigmoid')，对应二分类sigmoid输出的是单个0~1之间的概率值，不是2维的one-hot概率分布，所以np.argmax(y_sample)属于误用：

• 对于只有1个元素的数组，np.argmax永远返回索引0，这是你所有输出都是0的直接原因。

正确的预测标签获取逻辑应该是设置阈值（通常用0.5）判断，替换对应代码即可：

X_sample = tokenizer.texts_to_sequences(df['stemmed'])
X_sample = pad_sequences(X_sample, maxlen=maxlentweet)
y_sample = model.predict(X_sample).flatten().tolist()
# 原错误代码删除，替换为以下逻辑：概率大于等于0.5判定为类别1，否则为类别0
result = [1 if prob >= 0.5 else 0 for prob in y_sample]
# 如果是单样本预测，直接用：
# result = 1 if y_sample[0] >= 0.5 else 0

print(result)

二、修正预测逻辑后仍全输出0的排查方向 #

• 检查训练集标签分布：如果类别0占比极高（比如90%以上），模型会直接全部预测0来获得高准确率，此时需要做样本均衡处理，比如对类别1过采样、类别0欠采样，或者训练时传入类别权重：

  # 示例，可根据实际标签占比调整权重
  class_weight = {0: 1, 1: 5}
  model.fit(X_train, y_train, class_weight=class_weight, 其余参数保持不变)
  

• Dropout比率设置过高：两个Dropout层都用了0.7，极易导致模型欠拟合，建议先降到0.2~0.3区间再逐步调整。
• 确认训练是否充分：查看训练过程中损失和准确率的变化，如果损失没有收敛，适当增加训练轮次。

内容的提问来源于stack exchange，提问作者fathimah