我有一个大约45000个样本的数据集，每个样本的二进制输出为0或1。但是在 sklearn 包中使用 MLP 分类器后，我得到了一个模型，无论输入是什么，它始终具有1的输出。类0的精度为零。我尝试更改模型的超参数，但输出是相同的。谁能提出克服它的方法？
precision recall f1-score support
0 0.00 0.00 0.00 19967
1 0.57 1.00 0.73 26688
avg / total 0.33 0.57 0.42 46655
PS：我的代码
loc = './new_attributes_66.csv'
data = pd.read_csv(loc)
scaler = MinMaxScaler(feature_range = (-1,1))
scaler.fit(data)
data = scaler.transform(data)
print data
input = data[:,0:64]
output = data[:,65]
X_tr, X_tst, y_tr, y_tst = train_test_split(input, output, test_size=0.1)
clf = MLPClassifier(solver='sgd', alpha=1e-5, hidden_layer_sizes=(40,121), random_state=0, warm_start = True, tol = 0.0000001, early_stopping = False, learning_rate='adaptive',learning_rate_init = 0.1, max_iter=10000,shuffle=True,verbose=True)
clf.fit(X_tr,y_tr)
predicted = clf.predict(input)
#print "Accuracy using MLP classifier: "
print metrics.precision_score(output, predicted)
#print confusion_matrix(y_tst,predicted)
print metrics.classification_report(output,predicted)
#print clf.coefs_
链接到数据集 (csv) ： https://app.box.com/s/vfqgool2u9ovdc9oyi9elq99aor6c6gk
更新： 我已经根据最新结果修改了我的代码和结果。我可以提高精度和召回率，因为：
precision recall f1-score support
-1.0 0.53 0.10 0.17 19967
1.0 0.58 0.93 0.72 26688
avg / total 0.56 0.58 0.48 46655
精度为58.14 %.超参数可以通过哪些其他方式变化？
您的数据可能受到类不平衡问题的困扰。可能的情况是，带有标签1的样本数量远远超过带有标签0的样本数量。解决阶级失衡问题的方法有很多种：
- 打击机器学习中的不平衡类
- 在样本下和过度抽样下执行，以解决类不平衡问题
- 分层拆分 - Sklearn
- 击打
您还可以尝试查看不同的 alpha 值或不同形状的隐藏图层。也许您正在使用的当前配置无法正确学习。
嘿伙计们，在穆罕默德·卡西夫的建议下，我尝试了对数据AdaBoostClassifier并将数据缩放到-1,1，并获得了以下结果：
精度：0.682432189042
precision recall f1-score support
-1.0 0.59 0.56 0.57 19967
1.0 0.68 0.71 0.70 26688
avg / total 0.64 0.65 0.64 46655
与我们能够在没有缩放的情况下获得MLPclassifier甚至AdaBoostclassifier57-58 %相比，这是一个很大的改进。任何有更好结果的人都可以自由地发表他们的想法:)