我编写了Python代码，使用LSTM对降雨数据集进行不平衡的多类分类，输入变量是以数值形式表示的温度、阳光和湿度，目标有四个类别：无雨、轻雨、中雨和大雨，但模型在混淆矩阵中如以下代码所示仅分类出一个类别。
我还尝试了SMOTE和类权重技术来平衡类别，但结果没有变化。
有谁能帮助我提供完整的LSTM代码用于不平衡的多类分类吗？
混淆矩阵
数据集截图
这段代码不需要翻译回答：
我认为你的代码中有一些错误。例如，你没有解释为什么要对标签调用stats.mode(labels)。此外，我无法判断你是否正确使用了SMOTE等技术。
然而，由于你无法在StackOverflow上提供任何数据，我从Kaggle上获取了澳大利亚降雨数据集。
它看起来与你的数据集非常相似。最大的区别是我们只有两个类别用于“明天是否会下雨”：yes和no。但它也相当不平衡：
yes 77%no 23%我实现了一个简单的模型，并进行了一些非常简单的预处理（所以所有这些都可能有很大的改进空间）。然而，这应该足以让你从这个例子中学习并与你的进行比较。简单地从这里下载数据并尝试一下。
在没有任何调整和平衡的情况下，我能够在测试数据上获得大约82%的准确率。在Kaggle上我看到人们在这个数据集上获得了88%的准确率，所以我们肯定可以改进我们的模型。
你需要做的就是确保weatherAUS.csv在你的系统上可用，并且你已经安装了TensorFlow（我使用的是2.4.1版本）和其他依赖项。
之后，你应该能够修改代码以使其在你的数据集上运行。现在，先不考虑不平衡数据。一旦你的模型开始预测更合理的结果，我们可以尝试通过使用一些平衡技术来改进它。
代码（适用于weatherAUS.csv）
这段代码不需要翻译输出
这段输出不需要翻译针对原始问题数据的代码与结果
注意：提供的数据集非常小（约3000个样本）。
这段代码不需要翻译
这段输出不需要翻译