使用NumPy和TensorFlow的MLP二分类模型准确率恒为1.0的问题排查

嘿，我来帮你排查下这个训练后准确率直接拉满到1.0的问题——这明显是模型没学到真正的泛化能力，要么是数据环节出了纰漏，要么是模型/训练设置太“偷懒”，咱们一步步捋：

1. 先检查数据划分的低级错误 #

看你贴的预处理代码，有个明显的变量名不一致问题：前面定义的输入是input，但计算训练集数量时用了inp.shape[0]，这会直接报错吧？就算是笔误，也得先确认划分逻辑是否正确：

# 修正变量名错误
train_cnt = floor(input.shape[0] * train_size)
# 确认测试集标签是否正确截取
y_test = labels[train_cnt:]  # 你代码里这里没写完，别漏了！

另外，先检查训练集和测试集的标签分布，会不会出现某一类占比100%的情况？

print("训练集标签分布：", np.unique(y_train, return_counts=True))
print("测试集标签分布：", np.unique(y_test, return_counts=True))

如果所有标签都是同一类，那模型随便猜都能拿100%准确率，这数据本身就有问题。

2. 有没有做输入数据的标准化？ #

MLP对输入特征的尺度非常敏感，如果不同特征之间量级差异极大，模型很容易走捷径记住某些极端特征，直接拟合到100%。赶紧给输入做标准化处理：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
# 只在训练集上拟合，避免数据泄露
x_train = scaler.fit_transform(x_train)
x_test = scaler.transform(x_test)

3. 模型是不是太“强”导致过拟合？ #

如果模型层数太多、神经元数量超标，很容易把训练集的噪声都记住，直接过拟合到100%准确率。试试简化模型，再加个Dropout层抑制过拟合：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Dense(32, activation='relu', input_shape=(18,)),
    tf.keras.layers.Dropout(0.2),  # 随机丢弃20%的神经元，防止过拟合
    tf.keras.layers.Dense(1, activation='sigmoid')
])

同时训练时记得加验证集监控，看看是只有训练集准确率100%（过拟合），还是连测试集也100%（数据本身有问题）：

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
history = model.fit(x_train, y_train, 
                    epochs=20, 
                    batch_size=32,
                    validation_data=(x_test, y_test))  # 用测试集做验证

4. 排查是否存在标签泄露 #

最致命的问题：输入特征里是不是包含了和标签高度相关甚至直接对应的信息？比如某个特征的值和标签完全一致，模型一眼就能“作弊”拿到100%准确率。可以计算每个特征和标签的相关性：

corr_matrix = np.corrcoef(input.T, labels.T)
# 看最后一行（对应标签）和前面18个特征的相关系数绝对值
print("特征与标签的相关性：", corr_matrix[-1, :-1])

如果有某个特征的相关系数接近1或-1，那就是标签泄露了，必须把这个特征删掉。

内容的提问来源于stack exchange，提问作者properchels