我想在TensorFlow / Keras中使用随机森林对一些分类变量进行预测。我期望输出应该是概率的向量，并且如果至少有三个可能的输出值，则是这种情况。令人惊讶的是，如果可能值的集合仅由两个元素组成，则答案似乎是 * 单个数字 *。
如果我不需要单独处理这些特殊情况，我的代码会更容易，所以我的问题是：为什么TensorFlow以一种特殊的方式处理这一点，是否有某种方法可以以统一的方式处理这两种情况？
下面你可以找到最小的例子。

import tensorflow as tf
import keras
import tensorflow_decision_forests as tfdf
import pandas as pd

def train_and_predict(multi, values):
    train_pd=pd.DataFrame( [ {"key":v, "value":v} for _ in range(multi) for v in values ] )
    train_tf = tfdf.keras.pd_dataframe_to_tf_dataset(train_pd,  label= "value")

    rf = tfdf.keras.RandomForestModel()
    rf.fit(x=train_tf)

    to_guess =pd.DataFrame( [ {"key":v} for v in values]  )
    guess_tf = tfdf.keras.pd_dataframe_to_tf_dataset(to_guess)
    return rf.predict(guess_tf )

print(train_and_predict(500, ["a", "b"]      ) )
print(train_and_predict(500, ["a", "b", "c"] ) )

对于输入

print(train_and_predict(500, [3, 5] )

我们得到了一个概率向量

[[0.         0.         0.         0.99999917 0.         0.        ]
 [0.         0.         0.         0.         0.         0.99999917]]

不幸的是，对于分类变量

print(train_and_predict(500, ["a", "b"] )

我们得到一个数字作为答案

[[0.        ]
 [0.99999917]]

而如果存在至少三个可能值：

print(train_and_predict(500, ["a", "b", "c"] )

我们得到一个很好的概率列表：

[[0.99999917 0.         0.        ]
 [0.         0.99999917 0.        ]
 [0.         0.         0.99999917]]

我在Kaggle上使用TensorFlow和Keras版本“2.11.0”。