Python Keras对任何输入都预测相同的结果

我正在学习机器学习，我的数据集由6列组成：

home_team, away_team, home_odds, away_odds, home_score, away_score, 1_if_home_wins_else_0

为了能够向Tensorflow提供团队，我将每个团队都转换为整数，因此前两列是整数，就像数据库ID一样

csv中有10k行

范例

现在我正试图修改的代码来预测主队的获胜

但它对任何输入返回相同的预测0。当我只是在概率上尝试时，预测更准确，至少不一样

代码

---

您知道问题出在哪里吗？

将前两列团队名称转换为整数的事实毫无意义。通过这种方式，您将暗示具有相似ID（如1146和1179）的团队将执行相似的任务，而具有完全不同ID（如4和6542）的团队将执行非常不同的任务。通常，这类数据将以不同的方式呈现，甚至从数据集中排除

在这种情况下，我会排除这些列，因为赔率似乎包含了所有必要的数据，我甚至不会使用神经网络，而只是比较赔率。但是，我知道您希望使用一个简单的数据集进行学习，在这种情况下，仅使用赔率就可以了

请注意，神经网络可能会学习将胜利分配给获胜几率最大的团队，如下所示：

如果主场优势>客场优势： 如果家庭获胜，则为1，否则为0=1 其他： 如果家庭获胜，则为一，否则为零=0

---

是的，你是对的，球队的胜算很大，所以这不是一个好主意。但是，如果你说的是真的，它不会对所有预测都预测相同的0结果，是吗？对不起，现在它不会预测相同的结果，忽略前面的评论：

# load the dataset
dataset = loadtxt('football_data.csv', delimiter=',')
# split into input (X) and output (y) variables
X = dataset[:, 0:4]
y = dataset[:, 6]
# define the keras model
model = Sequential()
model.add(Dense(12, input_dim=4, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# compile the keras model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# fit the keras model on the dataset
model.fit(X, y, epochs=150, batch_size=10)
# evaluate the keras model
_, accuracy = model.evaluate(X, y)
print('Accuracy: %.2f' % (accuracy * 100))

# make class predictions with the model
predictions = model.predict_classes(X)
# summarize the first 5 cases
for i in range(50):
    print('%s => %d (expected %d)' % (X[i].tolist(), predictions[i], y[i]))