训练和验证 LSTM 问题：精度和召回问题

Question

我开发了一个 LSTM 编码器-解码器模型，以便根据跳跃扩散模型（本质上是二元分类问题）对价格变动进行分类。

我的模型在训练和验证之间分成 75/25。

我的问题是，在应用 SMOTE 等类不平衡技术之后，我的模型在训练和验证方面的预测准确性都非常高（可能仍然过度拟合）。但是，当谈到精度、召回率和 f1 分数时，我的训练模型再次表现良好，但在验证方面，我的精度和召回率显着下降。这显然会导致验证端的 f1 分数较低。

有谁知道为什么验证准确率很高，但准确率和召回率都大幅下降？这是我的模型在验证端计算精度和召回率的方式的问题，还是我的模型过度拟合导致验证结果较低？

模型结果汇总见下图，如有需要我也可以提供notebook。

编辑：包括相关代码

#%pip install keras-metrics

# Importing required packages

import keras_metrics as km

# LSTM Workings_Autoencoder Model

ac_model_1b = Sequential()

ac_model_1b.add(Bidirectional(LSTM(units=200, return_sequences = True,

                               input_shape = (n_timesteps, n_features), 

                                kernel_initializer='glorot_normal')))

ac_model_1b.add(LSTM(100))

ac_model_1b.add(Dropout(0.2))

ac_model_1b.add(RepeatVector(n_timesteps))

ac_model_1b.add(LSTM(100, return_sequences = True))

ac_model_1b.add(Dropout(0.2))

ac_model_1b.add(LSTM(200, return_sequences = True))

ac_model_1b.add(TimeDistributed(Dense(1, activation='sigmoid')))

ac_model_1b.compile(loss='binary_crossentropy', optimizer='Adamax', 

                 metrics=['accuracy', km.binary_precision(), km.binary_recall()])

results_ac_model_1b = ac_model_1b.fit(x_train, y_train, epochs=100, batch_size=32,

                        shuffle=True, validation_data=(x_valid, y_valid))

print(ac_model_1b.summary())

ac_model_1b.save('lstm_model_adamax.h5')

Answer 1

如果你能给出你的混淆矩阵可能会更好。但是，计算器似乎有问题。从数学上讲，**（准确性 + 召回率 >= 精度）编辑：这是数学身份。在你的例子中，31 + 33 < 97我会建议你使用这个功能。并获取报告，如果您能在问题中打印它的输出，我将不胜感激。