Python 为什么我对空间文本分类有同样的预测？

我正在研究google colab pro，第一次使用SpaCy进行文本分类，并将其与我的Tensorflow模型进行比较。我有10个标签或类别：

“恐惧”、“积极”、“厌恶”、“期待”、“愤怒”、“悲伤”、“快乐”、“信任”、“惊讶”和“消极”

。列车数据合成如下所示：

TRAIN_DATA=[（'word'，{'cats'：{'label_1'：0，'label_2'：1，…]），…]

然而，当我试图做出预测时，我总是得到相同的分类和准确度，无论预测的是什么

环境 列车数据

[。。。
（“道德”，
{'cats'：{'anger'：0，
“预期”：0，
“厌恶”：0，
“恐惧”：0，
“joy”：0，
“否定”：1，
“正”：0，
“悲伤”：0，
“惊喜”：0，
“信任”：0}），
（“道德的”，
{'cats'：{'anger'：0，
“预期”：0，
“厌恶”：0，
“恐惧”：0，
“joy”：0，
“否定”：1，
“正”：0，
“悲伤”：0，
“惊喜”：0，
“信任”：0}）
...]

初始化 以及向文本分类器添加标签类别

nlp=spacy.load（“en_core\u web\u sm”）
category=nlp.create_管道（“textcat”，config={“exclusive_类”：True}）
nlp.添加_管道（类别）
类别。添加_标签（“信任”）
类别。添加_标签（“恐惧”）
类别。添加_标签（“厌恶”）
类别。添加标签（“惊喜”）
类别。添加标签（“预期”）
类别。添加_标签（“愤怒”）
类别。添加_标签（“joy”）

训练

#获取其他管道的名称，以便在培训期间禁用它们
n_iter=10
管道例外情况=[“文本猫”、“trf\U拼字器”、“trf\U tok2vec”]
其他_管道=[nlp.pipe_名称中管道的管道，如果管道不在管道中_例外]
使用nlp。禁用_管道（*其他_管道）：#仅训练文本CAT
optimizer=nlp.begin\u training（）
对于tqdm中的i（范围（n_iter））：
损失={}
随机。随机（训练数据）
对于TQM中的批次（小批次（列_数据，大小=50））：
#文本=[nlp（文本）用于文本，批量中的实体]
文本，注释=zip（*批）
#注释=[{“猫”：实体}文本，成批实体]
尝试：
更新（文本、注释、sgd=优化器、损失=损失）
除：
通过
打印（'\n{}.loss:{}'。格式（i，loss））
100%|██████████| 10/10[09:26我的猜测是，这是因为数据集不平衡。分类器只是学习预测最频繁的类，然后陷入局部最优。
NVIDIA-SMI 450.57 | Driver Version: 418.67 | CUDA Version: 10.1  
Runtime 27.39 GB of available RAM