培训和验证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

Answer 1

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