这可能是由于失效样本过少导致的。如果模型没有足够的失效样本进行训练,可能会出现这种情况。可以尝试对训练集进行重新平衡,以便包含更多失效样本。另外,可以尝试使用权重来调整模型对失效样本的关注程度。例如,在Keras中,可以使用“class_weight”参数来为失效类分配更高的权重,如下所示:
class_weight = {0: 1., 1: 5.} # 0表示正常样本,1表示失效样本,失效样本的权重设置为5倍
model.fit(X_train, y_train, epochs=10, batch_size=32, class_weight=class_weight)
这将有助于调整训练过程中模型对失效样本的关注程度,从而提高模型对失效样本的识别能力。