Keras 多类MLP分类器

我是keras的新手

我尝试使用我的数据集，遵循用于多类softmax分类的多层感知器（MLP）的Keras教程。 我的数据有三类，只有一个特征，但我不明白为什么结果总是显示只有0,3的准确度，并且模型预测所有训练数据为第一类。那么混淆矩阵是这样的

以下是编码：

导入keras
从keras.models导入顺序
从keras.layers导入致密、脱落、激活
从keras.optimizers导入新加坡元
作为pd进口熊猫
将numpy作为np导入
#导入数据集
dataset=pd.read\u csv（'StatusAll.csv'））
X=dataset.iloc[：，1::]值
y=dataset.iloc[：，0:1]。值
#将数据集拆分为训练集和测试集
从sklearn.model\u选择导入列车\u测试\u拆分
x_序列，x_测试，y_序列，y_测试=序列测试分割（x，y，测试大小=0.2，随机状态=0）
从keras.utils导入到_category
y_列=到_分类（y_列）
y_检验=to_分类（y_检验）
模型=顺序（）
#稠密（64）是一个具有64个隐藏单元的完全连接层。
#在第一层中，必须指定预期的输入数据形状：
#这里是20维向量。
模型添加（密集（64，激活=tanh'，输入=1））
模型。添加（辍学率（0.5））
model.add（稠密（64，activation='tanh'））
模型。添加（辍学率（0.5））
model.add（密集（4，activation='softmax'））
sgd=sgd（lr=0.01，衰变=1e-6，动量=0.9，nesterov=True）
model.compile（loss='classifical_crossentropy'，
优化器=新加坡元，
指标=[‘准确度’]）
历史=模型拟合（x\U系列、y\U系列、，
纪元=100，
批次（单位大小=128）
分数=模型。评估（x检验、y检验、批量大小=128）
打印（'测试分数：'，分数[0]）
打印（'测试精度：'，分数[1]）
从SKM学习导入度量
预测=模型预测（x_检验）
预测=周围的np（预测）
y_测试(非)类别=[np.argmax（t）表示y_测试中的t]
y_predict_non_category=[np.argmax（t）表示预测中的t]
从sklearn.metrics导入混淆矩阵
conf_mat=混淆矩阵（y_测试_非类别，y_预测_非类别）
打印（配置文件）

我希望能得到一些建议，谢谢

x_火车的例子

---

您的最终致密层有4个输出，似乎您正在将4而不是3分类

model.add(Dense(3, activation='softmax')) # Number of classes 3

---

查看x_序列和y_序列的样本数据有助于确保预处理是正确的。因为您只有一个特性，所以MLP可能有点过头了。A会更简单，除非你想用MLP做实验。

谢谢你让我意识到我在那个部分犯了一个错误，顺便说一句，在我把它改成3个类之后，我仍然面临同样的问题，混淆矩阵仍然是这样。但是，我提供了x_列和y_列的示例。感谢努里克