我最近开始在R语言中尝试使用Keras，并构建了一个简单的预测模型。我得到了大约85%的合理准确率，但模型对测试数据中的每个条目都预测出完全相同的结果。

输入数据由1000行和46列数值指标组成（缩放到0到1之间）。结果（即y变量）由两列组成，即“WIN”和“LOSE”，其值为1或0。如果“WIN”等于1，则“LOSE”必须等于0。

模型结构如下：

`model <- keras_model_sequential() model %>%   layer_dense(units = 5, activation = "relu", input_shape = c(46)) %>%   layer_dropout(rate = 0.1) %>%   layer_dense(units = 25, activation = "relu") %>%  layer_dropout(rate = 0.05) %>%  layer_dense(units = 10, activation = "relu") %>%  layer_dropout(rate = 0.05) %>%  layer_dense(units = 6, activation = "relu") %>%  layer_dropout(rate = 0.05) %>%  layer_dense(units = 2, activation = "softmax")`

然后我用以下代码运行模型：

model %>% compile(loss = "categorical_crossentropy",optimizer =optimizer_rmsprop(),metrics = c("accuracy"))    history <- model %>% fit(x_train, y_train, epochs = 30, batch_size = 128, validation_split = 0.2)

接着我用以下代码分析模型的准确率，得到了85%的结果：

model %>% evaluate(x_test, y_test,verbose = 0)

最后我进行了一些预测：

model %>% predict_classes(x_test)

其中“x_test”由500行组成，同样有46列数值列。使用上述代码得到的预测输出是一个与“x_test”行数相同的向量，但所有值都等于1（我知道这不可能，因为这不会产生接近85%的准确率）。

有什么想法可以告诉我哪里做错了？

谢谢！

回答：

我敢打赌，正如cdeterman在评论中暗示的那样，你的数据集非常不平衡，即你的训练集中1的数量远多于0的数量。

在这种情况下，准确率作为一个指标是没有意义的，你应该使用精确度、召回率和混淆矩阵来代替 – 谷歌“类别不平衡”了解更多信息。

举个极端的例子，如果你的训练标签中有85%是1，你可以通过简单（且天真地）将所有样本分类为1来获得85%的（训练）准确率“分类器”（这显然不是你想要的）。