对于小训练集的问题，浅层神经网络是错误的方法。对于小型训练集，深度学习甚至更糟。139 个样本严重不足以训练任何深度学习模型，甚至是浅层神经网络。

作为一个非常普遍的经验法则，我为我的数据集中的每个特征使用 100 个示例来进行深度学习。然后，这会随着您期望的每个不同类别而呈指数增长。

我建议您使用机器学习技术，例如 SVM。考虑到数据集的大小，这可能会产生更好的结果。试试这些技术，看看你会得到什么结果：k-NN、内核 SVM、k-means 聚类。

如果你有一个不平衡的数据集，那么你会想要使用可以在单个分布上训练的异常检测算法。您可以了解所需的每个输出类的分布。从那里，可以根据它们适合给定分布的可能性对新示例进行分类。

有很多可能的解释。也许只是代码中的错误，或者也许没有更好的分离可能。使用 SVM 时，功能非常重要，您应该将大部分时间投资于选择/设计它们。“我已应用深度学习”的说法只是含糊其辞，因此我不能给出任何提示。第三，在处理不平衡数据时，您有许多可能的操作。我推荐阅读： 数据分析中的过采样和欠采样