为何使用Brain.js LSTM 预测文本分类时输出非JSON预设的随机结果？

当前实现和Brain.js LSTM的内置逻辑存在本质不匹配，是导致乱码输出的根本原因：

• Brain.js的recurrent.LSTM默认是序列生成模型，会将你传入的output值拆解为逐字符的序列做学习，本质是拟合“根据输入文本生成最匹配的字符串序列”的概率规律，而非“从固定分类标签集合中选择一个匹配项输出”的分类任务。
• 你直接将完整的分类字符串（比如"current year profits"）作为输出值喂入网络时，网络只会学习字符间的拼接转移概率，不会建立“输出必须严格落在预设20个标签范围内”的约束。随着迭代次数增加，网络会逐渐将不同标签的字符混排拼接，最终生成类似retaicometrses、curued expenses current)这类带部分原标签字符特征、但完全无意义的字符串。
• 初期设置10次迭代的低配置会导致模型欠拟合，但这不是乱码的核心诱因——哪怕将迭代拉高到5000次，因为任务映射逻辑从根上错了，依然会生成自由拼接的无效字符串。

1. 调整训练数据结构，触发模型的分类输出模式 #

将原有的字符串输出替换为独热编码结构，让LSTM自动识别为固定维度的分类任务，不再逐字符生成字符串：

• 第一步先对所有分类标签去重，得到固定长度的标签集合
• 训练数据的output字段不再放字符串，改为对象结构：仅将当前样本对应的分类标签键值设为1，其余所有标签的键值为0
• 预测完成后，取概率值最高的标签作为最终输出，全程不会生成超出标签集的内容

修正后的核心代码示例：

const brain = require('brain.js');
const data = require('./balancesheet.json');

// 提取去重后的固定分类标签集合
const uniqueCategories = [...new Set(data.map(item => item.category))];

// 初始化LSTM网络
const network = new brain.recurrent.LSTM();

// 改造训练数据为独热编码格式
const trainingData = data.map(item => {
  const outputMap = {};
  outputMap[item.category] = 1;
  return {
    input: item.text,
    output: outputMap
  };
});

// 配置合理的训练参数
network.train(trainingData, {
  iterations: 200,
  log: currentError => console.log(`当前训练误差: ${currentError.toFixed(4)}`),
  errorThresh: 0.01 // 误差达到阈值后自动停止训练
});

// 运行预测
const prediction = network.run('net income');
// 从预测结果中取概率最高的分类标签
const bestMatchedCategory = Object.keys(prediction).reduce((prev, curr) => 
  prediction[prev] > prediction[curr] ? prev : curr
);

console.log(`Category: ${bestMatchedCategory}`);

2. 训练参数适配调整 #

• 无需盲目拉高迭代次数：搭配独热编码结构后，100-300次迭代足够支撑1000条样本、20个分类规模的训练需求，过高迭代反而会引发过拟合，降低模型对新文本的泛化能力。
• 建议开启误差阈值配置，让网络在训练误差降到合理范围后自动停止，减少无意义的训练时长。
• 训练完成后可先用数据集内已标注的文本做回归测试，确认输出完全匹配预设标签后，再用来处理新输入文本。

3. 场景适配优化 #

如果处理的是这类短文本资产负债表条目分类，不需要依赖序列记忆能力，也可以将LSTM网络替换为Brain.js内置的brain.NeuralNetwork模型，训练速度更快，分类稳定性更高。

内容的提问来源于stack exchange，提问作者AzusOCE