Почему tensorflow выдаёт практически одинаковые результаты при предсказывании (бинарная классификация)?

Question

[Dragon1]

model.add(
    tf.keras.layers.Dense(3, activation='sigmoid', input_shape=(12,))
)
model.add(
    tf.keras.layers.Dense(1, activation='sigmoid')
)
model.compile(optimizer='SGD', loss='mean_squared_error')
model.fit(X_train_norm, Y_train_norm, epochs=1000)

12 атрибутов = нормализованные, числовые значения.
бинарная классификация = два класса = 0 и 1.

model.predict(X_test_norm)
Выдаёт:
array([[0.7835315 ],
[0.78689903],
[0.78314793],
[0.7831505 ],
[0.7893167 ],
[0.78063303],
[0.78807944],
[0.7853659 ],
[0.7838069 ],
[0.7837551 ],
[0.7847388 ],
[0.78919363],
[0.7880717 ],
[0.78172874],
[0.7887115 ],
[0.78692263],
и т.д., все 450 раз, значения варьируются от 0.77 до 0.79, то есть модель склоняется к тому, что все объекты принадлежат классу "1"?

Comments

[freeExec]

Смотрите что у вас в ошибкой происходит во время обучения. Возможно у вас проблема с данными.

[Dragon1]

freeExec, 5 эпох, 500 эпох ничего не меняют, ошибка постоянно уменьшается с loss: 0.2086 до примерно 0.16. На тех же данных, самописный класс использующий back propagation работает лучше:

Remain = 1
Precision: 0.8379746835443038
Recall: 0.9376770538243626
Leave = 0
Precision: 0.6
Recall: 0.3402061855670103
Accuracy: 0.8088888888888889

Учитывая, что цель определить уйдёт человек из банка или нет, модель созданная с помощью tensorflow вообще не работает.

[freeExec]

Dragon1, надо изучать исходные данные. Может у вас там перевес 80/20 в классах

[Dragon1]

freeExec, Именно так.

1 0.78519
0 0.21481

[freeExec]

Dragon1, значит сеть не видит закономерностей и просто выдаёт среднее

[Dragon1]

С помощью настроек tensorflow можно как-то исправить это? другой алгоритм, другая функция потер.., или нужно самостоятельно выравнивать данные (добавить представителей класса "0")?