我正在尝试使用Keras和TensorFlow通过随机森林来预测变量。我遇到了一个意外的行为，我设法将其追溯到以下问题。如果我的训练数据集太小，即使数据集中有一个特征，我也会得到警告The model does not have any input features i.e. the model is constant and will always return the same prediction.。这是一个bug，还是一个深度未文档化的特性？
下面是一个最小的非工作示例。训练数据集只是说键1总是与值1相关联，键2与值2相关联。该信息被编码“多重性”次数。
正确的行为应该是，每当我们得到关键字“1”作为输入时，“0”是正确答案的概率等于0.0，“1”是正确答案的概率等于1.0，而“2”是正确答案的概率等于0.0。这意味着我想要的答案是概率向量（0，0，0，1.0）。如果“2”是密钥，则期望的答案应该是（0.0，0.0，1.0）]。
程序的真实的输出如下：如果多重性最多为4，则TensorFlow看不到任何输入特征;如果多重性为5或更大，则TensorFlow可以看到1个特征。这种行为变化可能表明存在错误。
此外，预测的输出似乎非常奇怪，例如多重性=5，我们得到了非常疯狂的概率：对于“1”，我们得到[0., 0.61333287, 0.3866664 ]，对于“2”，我们得到[0., 0.35999975, 0.6399995 ]。

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

def train_and_predict(multiplicity):
    train_pd=pd.DataFrame( multiplicity *[ {"key":1, "value":1}] + multiplicity *[ {"key":2, "value":2} ] )
    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":1}, {"key":2} ] )
    guess_tf = tfdf.keras.pd_dataframe_to_tf_dataset(to_guess)
    return rf.predict(guess_tf )

print(train_and_predict(4))
print(train_and_predict(5))

输出中有趣的部分：

[WARNING] The model does not have any input features i.e. the model is constant and will always return the same prediction.
[INFO] Model loaded with 300 root(s), 300 node(s), and 0 input feature(s).
[INFO] Engine "RandomForestGeneric" built
[INFO] Use fast generic engine

[[0.         0.6033329  0.39666638]
 [0.         0.6033329  0.39666638]]

[INFO] Model loaded with 300 root(s), 452 node(s), and 1 input feature(s).
[INFO] Use fast generic engine.

[[0.         0.61333287 0.3866664 ]
 [0.         0.35999975 0.6399995 ]]

我在Kaggle上使用TensorFlow 2.11.0版本。你能帮我弄清楚这个问题是出在软件错误上还是出在我不理解什么东西上？