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(本质上是二进制分类问题)对价格变动进行分类
我的模型在培训和验证之间分成75/25
我的问题是,在应用了SMOTE等类不平衡技术后,我的模型在训练和验证中的预测精度都非常高(可能仍然过拟合)。但是,在精确度、召回率和f1成绩方面,我的训练模型再次表现良好,但在验证方面,我的精确度和召回率显著下降。这显然会导致f1在验证方面的分数较低
有人知道为什么验证准确率会很高,但精确度和召回率都显著下降了吗?这是我的模型在验证方面计算精度和召回率的方式的问题,还是我的模型拟合过度导致验证结果降低
查看下图,了解模型结果的摘要,如果需要,我还可以提供笔记本
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')
欢迎任何建议
谢谢
如果您能给出您的混淆矩阵,可能会更好。
但是,这似乎是错误的计算
数学上,**(准确度+召回率>;=精度)
编辑: 这是mathematical identity
在您的情况下,31+33<;97
我建议你使用this function。如果你能把报告打印出来,我将不胜感激
相关问题 更多 >
编程相关推荐