Neural network 如何解释没有负面预测？

我用Keras建立了这个模型：

model = Sequential()
model.add(LSTM(50, return_sequences=True,input_shape=(look_back, trainX.shape[2])))
model.add(LSTM(50))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam',metrics=['accuracy'])
model.fit(trainX, trainY,validation_split=0.3, epochs=50, batch_size=1000, verbose=1)

结果令人惊讶。。。当我这样做时：

trainPredict = model.predict(trainX)
testPredict = model.predict(testX)
print(confusion_matrix(trainY, trainPredict.round()))
print(confusion_matrix(testY, testPredict.round()))

我分别得到：

[[129261      0]
[   172 129138]]

及

换句话说，我的训练混乱矩阵很好，而我的测试混乱矩阵将每个人分类为“积极”。令人惊讶的是，我有非常完美的平衡实例，无论是在训练集还是测试集

为什么我有这个

---

谢谢

为什么要使用round（）方法？？？@Mitiku我看了另一篇SO帖子（再也找不到了），因为我有一个错误，说你不能比较连续目标和二进制目标，或者诸如此类的东西。如果是这样，请检查这些对于训练和测试都是相同的：-1。数据标准化，2。采样分布您是否忘记了

trainX

或

testX

的任何预处理步骤？你有没有比较过训练和比赛中的失利是否是因为过度适应？@DanielMöller我不知道，我想没有。我只是对数据的输入形状有点模糊，实际上，我使用了这里提到的

create\u dataset

函数：look\u back=50。当使用“早停”时，我得到的结果稍微好一点，但肯定还是不好（最后一行：10857 14）

[[10822     0]
[10871     0]]