我很困惑。正如你所说，目标是收视率。这对我来说绝对是一个回归问题，而不是分类问题。

您的代码中有几个问题：

1. 对于回归问题，我们通常使用linear作为最后一层的激活函数（有时relu，甚至sigmoid）。
2. 我们也将mse其用作度量（有时mae，msle等）。categorical_crossentropy用于分类问题，sparse_categorical_crossentropy用于稀疏输入分类问题。参考
3. KerasClassifier用于分类问题，KerasRegressor改为使用。
4. metrics=['accuracy']用于分类问题，在回归问题中没有意义。参考
5. 假设df是 Pandas DataFrame，那么df.values自然是 a ndarrary，就不用强制转换了np.array。

现在回答你的问题：

1. 因为我从来没有为 scikit-learn API 使用过包装器，所以我不太确定为什么你有整数输出，我最好的猜测是因为KerasClassifier和.predict（在 scikit-learn APIs 中，.predict返回整数，基本上是预测的类并.predict_proba返回浮点数，表示每个类别的概率）。尝试使用.predict_proba，它会有所帮助。顺便说一句，你真的应该使用KerasRegressor.
2. 正如你所提到的，有很多类要预测。事实上，这是一个回归问题。
3. 能否请您添加这 3 篇论文的链接？输出层中只有 1 个神经元的神经网络对我来说似乎是回归 NN。回归 NN 通常Dense(1, activation='linear')用作输出层。

这是我的代码版本，它可能有效：

# fix random seed for reproducibility
seed = 7
np.random.seed(seed)

X = df[FEATURES].values  # no need to cast np.array
Y = df["MTPS"].values

# define baseline model
def baseline_model():
    # create model
    model = Sequential()
    model.add(Dense(10, input_dim=(len(FEATURES)), init='normal', activation='relu'))
    model.add(Dense(1, init='normal', activation='linear'))  # one neuron, linear activation
    # Compile model
    model.compile(loss='mse', optimizer='adam')  # mse loss
    return model
#build model
estimator = KerasRegressor(build_fn=baseline_model, nb_epoch=100, batch_size=5, verbose=2)  # KerasRegressor for regression problem

#cross validation
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=seed)
estimator.fit(X_train, Y_train)

#print class predictions
print estimator.predict(X_test)
print Y_test

参考