行为不稳定的线性分类器模型

Question

我正在构建最基本的线性分类器模型，以将输出分类为两个存储桶：类0和1。这是代码的摘录：

linear_classifier.train(
    input_fn=training_input_fn,
    steps=steps_per_period
)

training_probabilities = linear_classifier.predict(input_fn=probabilities_training_input_fn)
training_probabilities = np.array([item['probabilities'] for item in training_probabilities])
print (training_probabilities)
validation_probabilities = linear_classifier.predict(input_fn=probabilities_validation_input_fn)
validation_probabilities = np.array([item['probabilities'] for item in validation_probabilities])

大约有110个训练数据样本和20个验证数据样本。问题在于“ training_probabilities”和“ validation_probabilities”都显示出不稳定的行为。它们是二维张量。每个单个样本的0维值显示> 0.5（1类），每个样本的1维值显示<0.5（0类）。我期望样本之间会有不同的预测。

现在，如果我尝试显着提高学习率，我可以看到它们随着步数的增加而改变。但是，所有样本仍沿相同方向移动，也就是说，如果样本从一个类别移动到另一类别（概率变化），它们都会一起移动。这意味着对于每个单独的验证样本（属于训练样本）的预测，无论它属于0类还是1类，都完全相同。似乎这里有些事，有人可以帮忙吗？