Keras（R语言版）：二分类任务中所有输入的预测概率为何相同？

我来分享一套完整的实现方案，刚好匹配你提到的「多输入时间序列+滑动窗口转结构化数据+MLP二分类」的需求，一步步来拆解：

1. 先明确滑动窗口的转换逻辑 #

就像你举的例子：1个二分类标签、2条输入序列（a、b）、回溯步长为2的情况下，转换后的数据结构会是这样（我补全了完整的样本逻辑）：

这里的a.1是a序列的前1步值，a.2是前2步值；前回溯步长个样本因为没有足够的历史数据会出现NA，后续我们可以直接丢弃这些样本，或者用填充法处理。

2. 实现滑动窗口数据转换（R代码） #

首先我们先构造模拟数据，然后写一个通用的滑动窗口转换函数：

# 构造模拟时间序列数据（替换成你的真实数据即可）
set.seed(123)
n <- 100 # 样本量
df <- data.frame(
  label = sample(c(0,1), n, replace = TRUE), # 二分类标签
  a = rnorm(n, mean = 0, sd = 1),            # 输入序列a
  b = rnorm(n, mean = 1, sd = 0.5)           # 输入序列b
)

# 滑动窗口转换函数：生成滞后特征
create_sliding_window <- function(data, input_cols, label_col, window_size) {
  result <- data.frame()
  
  # 从第window_size+1个样本开始，因为前window_size个没有足够历史数据
  for(i in (window_size + 1):nrow(data)) {
    # 提取当前样本的标签
    current_label <- data[i, label_col]
    # 提取当前样本的原始输入特征
    current_inputs <- data[i, input_cols]
    # 提取window_size步的滞后特征，按步长命名（比如a.1、a.2）
    lag_features <- do.call(cbind, lapply(input_cols, function(col) {
      lag_vals <- rev(data[(i - window_size):(i - 1), col])
      names(lag_vals) <- paste0(col, ".", 1:window_size)
      lag_vals
    }))
    # 合并当前样本的所有特征和标签
    current_row <- cbind(current_label, current_inputs, lag_features)
    result <- rbind(result, current_row)
  }
  
  # 重命名标签列
  colnames(result)[1] <- label_col
  return(result)
}

# 调用函数：输入列是c("a","b")，标签列是"label"，窗口大小2
window_df <- create_sliding_window(df, input_cols = c("a","b"), label_col = "label", window_size = 2)

运行完后，window_df就是适合MLP输入的结构化数据，已经自动跳过了前2个有NA的样本。

3. 数据预处理：标准化+划分数据集 #

全连接神经网络对数据尺度很敏感，必须做标准化，同时划分训练/测试集：

library(keras)

# 分离特征矩阵和标签向量
X <- as.matrix(window_df[, !colnames(window_df) %in% "label"])
y <- as.matrix(window_df$label)

# 按7:3划分训练测试集
train_idx <- sample(1:nrow(X), 0.7*nrow(X))
X_train <- X[train_idx, ]
X_test <- X[-train_idx, ]
y_train <- y[train_idx]
y_test <- y[-train_idx]

# 标准化特征（只用训练集的统计量，避免数据泄露）
scaler <- preprocessing_scale()
X_train_scaled <- fit_transform(scaler, X_train)
X_test_scaled <- transform(scaler, X_test)

4. 构建并训练全连接神经网络 #

接下来用Keras搭建MLP模型，针对二分类任务做配置：

# 构建MLP模型
model <- keras_model_sequential() %>%
  # 输入层+第一个隐藏层：32个神经元，ReLU激活
  layer_dense(units = 32, activation = "relu", input_shape = ncol(X_train_scaled)) %>%
  # Dropout层：随机丢弃20%神经元，防止过拟合
  layer_dropout(rate = 0.2) %>%
  # 第二个隐藏层：16个神经元，ReLU激活
  layer_dense(units = 16, activation = "relu") %>%
  # 输出层：1个神经元，Sigmoid激活（二分类专属）
  layer_dense(units = 1, activation = "sigmoid")

# 编译模型：用Adam优化器，二元交叉熵损失，监控准确率
model %>% compile(
  optimizer = optimizer_adam(learning_rate = 0.001),
  loss = "binary_crossentropy",
  metrics = c("accuracy")
)

# 查看模型结构
summary(model)

# 训练模型：用训练集的20%做验证，训练50轮
history <- model %>% fit(
  x = X_train_scaled,
  y = y_train,
  batch_size = 8,
  epochs = 50,
  validation_split = 0.2,
  verbose = 1
)

# 绘制训练曲线（查看训练/验证集的损失和准确率变化）
plot(history)

5. 模型评估与预测 #

最后在测试集上验证模型效果，并生成预测结果：

# 在测试集上评估模型性能
model %>% evaluate(X_test_scaled, y_test)

# 生成预测概率
y_pred_prob <- model %>% predict(X_test_scaled)
# 转换为类别标签（阈值设为0.5，可根据需求调整）
y_pred <- ifelse(y_pred_prob > 0.5, 1, 0)

# 生成混淆矩阵，查看分类效果
table(Actual = y_test, Predicted = y_pred)

几个关键注意事项 #

• 滑动窗口大小选择：别凭感觉定，建议用交叉验证尝试不同的窗口大小（比如1、2、5、10），选验证集性能最好的。
• 缺失值处理：如果不想丢弃前window_size个样本，可以用滚动均值、中位数或者前向填充（比如zoo包的na.locf()函数）来补NA。
• 过拟合应对：除了Dropout层，还可以加L2正则化（比如layer_dense(..., kernel_regularizer = regularizer_l2(0.001))），或者用早停法（callback_early_stopping(patience = 5)），防止模型在训练集上过拟合。

内容的提问来源于stack exchange，提问作者hokage555