Python Tensorflow DNN多重分类

我试图用Tensorflow在Python3.5中创建一个DNN，用于将元组分类为3类之一

# define initial hyperparameters
batch_size = 100
train_steps = 5000
hidden_units=[10,20,10]

# build model
dnn = tf.contrib.learn.DNNClassifier(hidden_units=hidden_units,  feature_columns=feature_cols, n_classes=3)
input_fn = tf.estimator.inputs.pandas_input_fn(x=X_train, y=y_train, 
                                           batch_size=batch_size, 
                                           num_epochs=None, 
                                           shuffle=True)
# fit model to the data
dnn.fit(input_fn = input_fn, steps=train_steps)

# predict new data
predict_input_func = tf.estimator.inputs.pandas_input_fn(x=X_test,
                                                     batch_size=len(X_test), 
                                                     shuffle=False)
preds = dnn.predict_classes(input_fn=predict_input_func)

X_列（和X_测试）由7个数字列组成。 y_序列（和y_测试）由1个数字列组成，作为响应变量[0或1或2]

当我用上面的模型预测时，我得到了非常糟糕的准确率（50-70%的准确率）

似乎我已经找到了原因——我的模型预测新输入的类为0或2……因此它丢失了所有实际上是类1的记录

有人能给我一个提示吗？我已经读到softmax可能是解决方案……如果是这样，我不明白为什么Tensorflow docu（入门/虹膜分类一章）中描述的3个类有类似的DNN

---

编辑：我当然对不同的超参数进行了尝试。

我可能已经找到了解决方案。类的分布不均匀，例如，50%的对象为类1，40%的对象为类2，且仅