TensorFlow改造乳腺癌教程后预测全为0且损失异常问题排查

1. 训练任务配置和数据集属性完全错位 #

原YouTube乳腺癌教程是标准二分类场景：标签为0/1离散类别，模型最后一层搭配Sigmoid激活，损失使用二元交叉熵。你当前使用的标签是-1到1区间的连续小数，属于回归任务，直接沿用原二分类的配置会导致：

• 损失计算逻辑彻底失效：正常二元交叉熵的取值恒为非负，你观察到的负向、指数级增长的损失值，是模型输出分布和标签分布完全错配引发的数值溢出，整个训练过程没有学习任何有效特征，模型权重处于完全发散的状态。
• 全0预测结果是训练发散的必然产物：梯度爆炸后，最后一层Sigmoid的输出会被异常权重推到趋近于0的固定区间，和输入特征没有任何关联。

2. 输入特征未做归一化处理 #

你使用的原始输入是0-99区间的整数，没有经过缩放预处理。原教程的乳腺癌数据集是经过标准化归一化的，直接把未缩放的高值特征输入网络，会直接触发梯度爆炸，是损失值从百万级快速涨到百亿级的核心原因。

3. 超参数设置不匹配任务场景 #

原教程适配二分类任务的batch_size、学习率，在你的高值输入、回归任务场景下，会进一步放大梯度波动，加速训练发散。

• 调整模型结构适配回归任务：替换原二分类模型的最后一层，去掉Sigmoid激活，改为线性输出层；损失函数从二元交叉熵切换为回归场景通用的损失，比如MeanSquaredError、MeanAbsoluteError。
• 补全数据预处理流程：对输入特征做归一化，将0-99的原始值缩放到0-1或-1到1的区间，可直接用代码实现：
  X_scaled = (X - X.min()) / (X.max() - X.min())
  确保标签数值范围和模型输出尺度匹配，避免数值差过大引发训练震荡。
• 优化训练超参数：将原batch_size=1调整为16/32/64的常规批次大小，适当降低学习率，跑20个左右epoch观察损失变化，确认损失稳定下降而非发散后，再执行预测流程。
• 验证预测输出：训练收敛后调用classifier.predict(X_test)得到的结果是和标签同尺度的连续值，不会出现全0的固定输出；如果后续需要做分类判断可单独叠加阈值逻辑，不要直接套用原二分类任务的结果判断规则。

内容的提问来源于stack exchange，提问作者Donald Albin Jr.