培训和验证LSTM问题:查全率和召回问题

Question

我有一个LSTM编码器-解码器模型，我已经开发，以分类的价格波动基于跳跃-扩散模型(二进制分类问题本质上)。

我的模型是75/25之间的培训和验证。

我的问题是，在应用了类不平衡技术(如SMOTE )之后，我的模型在培训和验证两方面的预测精度都很高(可能仍然过于合适)。但是，在精确性方面，召回和f1评分--我的训练模型再次表现良好--但在验证方面，我的查全率和召回率明显下降。这显然会导致验证侧的f1得分较低。

有谁知道为什么验证的准确性会很高，但查准率和召回率都显著下降了吗？这是与我的模型在验证方面的计算精度和召回方式有关的问题，还是我的模型过于适合导致验证结果降低？

下面的图片是模型结果的总结，如果需要的话，我也可以提供笔记本。

编辑:包括相关守则

#%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

如果你能给出你的混淆矩阵会更好。

但是，似乎卡卡出了点问题。

​

​

​

​

​

​

数学上，**(精确度+召回>=精度)

编辑:这是数学恒等。

在你的例子中，31 + 33 < 97

我建议你使用这一功能。如果你能在问题中打印出它的输出，我会很感激。