TensorFlow DNN三分类模型异常求助：无法识别类别1

嘿，我之前做三分类任务时也碰到过几乎一模一样的情况——模型死活学不会中间那个类别，大概率是数据或模型设置的细节没踩对，咱们一步步来排查解决：

1. 先排查数据集的类别分布 #

最常见的原因就是类别不平衡：你的训练集中类别1的样本数量可能远远少于0和2，导致模型倾向于预测出现次数多的类别，直接忽略了类别1。

• 先统计每个类的样本数，确认问题：

  import numpy as np
  print("训练集类别分布：", np.bincount(y_train))
  print("测试集类别分布：", np.bincount(y_test))
  

• 如果确实不平衡，有几种实用的处理方式：
  • 过采样：对类别1的样本进行重复采样，或者用SMOTE算法生成合成样本（sklearn的imblearn.over_sampling.SMOTE就能实现）。
  • 欠采样：减少类别0和2的样本数量，让三类样本数量尽量接近。
  • 类别权重：在训练模型时给类别1设置更高的权重，比如在model.fit()里加参数class_weight={0:1, 1:5, 2:1}（权重值根据不平衡程度调整），强迫模型更重视类别1的样本。

2. 确认标签与损失函数的匹配性 #

三分类任务对标签格式和损失函数的配对要求很严格，配错了模型根本学不到正确的分类边界：

• 如果你的标签是纯数值形式（0/1/2），损失函数必须用sparse_categorical_crossentropy，不需要转独热编码。
• 如果你的标签是独热编码形式（比如[1,0,0]代表0类），损失函数要用categorical_crossentropy，这时候需要先把标签转成独热：

  from tensorflow.keras.utils import to_categorical
  y_train_onehot = to_categorical(y_train, num_classes=3)
  y_test_onehot = to_categorical(y_test, num_classes=3)
  

• 要是你混用了（比如用数值标签配categorical_crossentropy），模型会直接混乱，大概率识别不了中间的类别1。

3. 别忽略特征预处理 #

数值特征的尺度差异太大的话，模型会优先学习尺度大的特征，类别1的特征可能直接被掩盖了：

• 对所有特征做标准化或归一化，用sklearn的工具就能快速实现：

  from sklearn.preprocessing import StandardScaler
  scaler = StandardScaler()
  # 注意：只在训练集上拟合，避免测试集数据泄露
  X_train_scaled = scaler.fit_transform(X_train)
  X_test_scaled = scaler.transform(X_test)
  

  用缩放后的特征重新训练模型，很多时候能直接解决问题。

4. 调整模型结构与训练策略 #

如果模型太简单或者训练不足，也可能学不到类别1的特征模式：

• 增加模型复杂度：比如增加隐藏层的数量（比如从2层加到3层），或者每层的神经元数（比如从64加到128/256），给模型足够的能力捕捉类别1的特征。
• 添加正则化防止过拟合：如果模型过拟合了，也会忽略少数类，比如加Dropout层：

  from tensorflow.keras.layers import Dense, Dropout
  model = tf.keras.Sequential([
      Dense(128, activation='relu', input_shape=(7,)),
      Dropout(0.2),
      Dense(64, activation='relu'),
      Dropout(0.2),
      Dense(3, activation='softmax') # 三分类最后一层必须用softmax
  ])
  

• 增加训练轮数+早停：给模型足够的训练时间，同时用早停防止过拟合：

  from tensorflow.keras.callbacks import EarlyStopping
  early_stop = EarlyStopping(monitor='val_accuracy', patience=10, restore_best_weights=True)
  model.fit(X_train_scaled, y_train, validation_split=0.2, epochs=100, callbacks=[early_stop])
  

5. 用更细致的评估指标 #

准确率在类别不平衡时参考性很差，建议用混淆矩阵和分类报告看看模型的真实表现：

from sklearn.metrics import confusion_matrix, classification_report
y_pred = model.predict(X_test_scaled)
y_pred_classes = np.argmax(y_pred, axis=1) # 如果用softmax输出，取概率最大的类别
print("混淆矩阵：")
print(confusion_matrix(y_test, y_pred_classes))
print("\n分类报告：")
print(classification_report(y_test, y_pred_classes))

从报告里你能清楚看到类别1的精确率、召回率，确认问题核心后再针对性调整。

内容的提问来源于stack exchange，提问作者lenngro