如果一致性是一个问题，我会将其作为单一分类任务，其中“伦敦一等”、“伦敦二等”、...、“罗马一等”和“罗马二等”是不同的类别，而不是让它成为两个不同的分类任务。您当前的网络架构给出了先验提示，即它们是完全不同的分类任务，但是如果例如某些目的地没有两个类，则两个子类之间存在依赖关系。将两个分类任务合二为一是将依赖关系放回模型中的最简单方法。

目前，我认为您的模型预测客户会选择头等舱机票（如果有的话），这不是一个不合理的答案 - 它只是概括了这样一种想法，即从事相对高薪职业的人（例如会计师）倾向于去头等舱旅行。您总是可以忽略不能选择的类输出。

网络真的需要这么多层吗？可能单个隐藏层可能足以解决这个问题，而上面的层实际上并没有做太多有用的处理，在这种情况下，网络的划分可能没有那么有意义。

另一种方法是建立两个神经网络。第一个神经网络被训练来预测目的地。对于第二个 NN，将第一个 NN 预测的目的地作为输入特征，并训练网络来预测类别。然后，第二个网络应该学会只预测作为预测目的地选项的类别。

针对@Jivan 的评论进行了编辑。

有更复杂的多标签分类方法，但如果可能的话，我会保持简单，并首先尝试@Dikran 或我的方法。它们都是实现多标签分类的标准方法（参见这篇 Medium 文章）。Dikran 的方法是 Label Powerset，我的方法是 Classifier Chain。正如您所指出的，这两种方法各有利弊。如果这些都没有产生足够好的结果，您可以尝试分类器链的变体，您可以在其中构建一个网络来从目的地和类的联合中预测一个标签。然后再训练两个网络，一个在给定预测类别的情况下预测目的地，另一个在给定预测目的地的情况下预测类别。在推理时，您将使用第一个网络来预测类别或目的地，然后适当的第二个网络预测另一个标签。

成本函数

您的神经网络以何种方式能够知道目的地伦敦的一等舱是不可行的？你是怎么把它教给网络的？在训练错误预测的过程中，你以什么方式“惩罚”网络？

重要的是训练阶段允许网络训练所需的特征。在您的问题中，您没有说明您用于训练模型的成本函数。

也不清楚您的模型创建了哪种类型的输出以及您希望从中获得什么。我猜对了输出只是一个单一的类预测吗？在这种情况下，您会在问题的示例中支持什么类别的预测。

“伦敦二等舱”比“伦敦一等舱”更好吗？

当这个成本函数只关心一个错误时，它就不太关心组合错误了。这可能会导致您的问题（我假设这是您的成本函数的创建方式，但尚不清楚）。

在 89302 个案例中，当真值为 Londen + 2nd class 时，预测 London + 1st class 将是错误的。但是，当真实值为巴黎/罗马/柏林/马德里/鹿特丹+一等时，在 48516 + 41411 + 38186 + 35247 + 28512 个案例中，选择预测一等而不是二等可能会得到回报（我不确定，但我猜你的成本函数正在这样做）。

当系统在伦敦时，你可以惩罚系统对一等的预测，但同时，当其他城市发生一等预测时，你会奖励它。因此，您将获得伦敦一等奖。

输出类型

我之前提到过，我猜你的模型只是给出了一个单一的类别预测。我是根据您的情况以及短语来猜测的

例如，对于给定条目，网络将预测“伦敦”和“第一类”

如果是这种情况，那么您可能会考虑使用不同类型的输出。除了预测单个类之外，您还可以将所有期望的目的地和类组合的概率向量作为输出（以及您的模型中可能具有的其他方面）。然后，您可以根据分类分布的似然函数评估预测并执行训练。

当您应用此模型（一些在线购物工具或对航空公司的一些帮助？）时，它不会给出单个类作为输出，而是会给出顶级目的地的排名。

网络结构

你有什么样的密集神经网络，你是如何训练它的？可以想象，在其中一些层中应该有一个节点经过训练专门处理 London + 2nd class 案例。但是，你有多少层，每层有多少个节点，你是如何进行交叉验证的？

可以想象，这种错误/错误预测可能会发生。但是如果没有细节，很难说它为什么以及如何发生。