这里有很多东西需要理解，我建议你学习更多关于分类的教程，并严格遵循这些步骤（keras文档在这方面非常好），但是我会尝试告诉你足够多的东西来理解你所看到的，并让你的基本示例工作。
最后得到的浮点数数组是每个类的概率数组。有10个概率，因为您将输出图层中的单元数设置为10，而数据中只有3个类。我猜您只是想为新要素集获取分类（[3, 7.8]），所以你取最高的概率，在这种情况下，你可以通过检查看到预测的类是1，因为最高的概率是8.4235787e-01，它在第一个位置，但是通常你可以用np.argmax在numpy数组上得到它。
使代码按预期方式工作的步骤：

• 将输出图层中的单元数设置为类数（3）
• 从0开始对类进行编号。一般来说，您可以使用整数编码来完成此任务（keras和其他ML库中有用于此操作的工具，请查看这些工具），但由于此处的数据非常小，因此我们可以手动完成此任务，将1替换为0，将2替换为1，将3替换为2。
• 将np.argmax应用于从model.predict获得的数组，以获得预测类

代码最终看起来像这样：

import numpy as np # mutivariate clasification
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

X =np.array(
[[3, 7],
[3, 6],
[3, 7.2],
[6, 8],
[7, 7.5],
[7.9, 7.5]])

Y =np.array([0, 0, 0, 1, 2, 2])

model = Sequential([
    Dense(units = 25, activation = "relu"),
    Dense(units = 15, activation = "relu"),
    Dense(units = 3, activation = "softmax")
])

from keras.losses import SparseCategoricalCrossentropy
model.compile(loss = SparseCategoricalCrossentropy())
model.fit(X, Y, epochs = 100)

for prediction in model.predict([[3, 7.8]]):
    print(prediction)
    print(np.argmax(prediction))

输出的最后一部分是：

[0.916569   0.07700075 0.00643022]
0

因此，预测类为0（或根据您发布的原始数据为1），这是我们根据对训练数据和新数据的检查所预期的。