LSTM 准确率太低答案

【问题标题】：LSTM accuracy too lowLSTM 准确率太低
【发布时间】：2019-08-05 06:48:41
【问题描述】：

我是一个新手，我只是尝试使用以下代码获得准确性并验证准确性

model = Sequential()
model.add(LSTM(10, input_shape=(train_X.shape[1], train_X.shape[2])))
#model.add(Dropout(0.2))
#model.add(LSTM(30, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dense(1), return_sequences=True)
model.compile(loss=’mae’, optimizer=’adam’, metrics=[‘accuracy’])
# fit network
history = model.fit(train_X, train_y, epochs=50, batch_size=120, validation_data=(test_X, test_y), verbose=2, shuffle=False)
# plot history
pyplot.plot(history.history[‘loss’], label=’train’)
pyplot.plot(history.history[‘val_loss’], label=’test’)
pyplot.legend()
pyplot.show()
print(history.history[‘acc’])

由于损失值非常低（约为 0.0136），尽管我得到的准确度为 6.9%，验证准确度分别为 2.3%，非常低

【问题讨论】：

标签： python machine-learning keras neural-network lstm

【解决方案1】：

这是因为准确度只对分类问题有意义；对于回归（即数字预测），例如您的，准确性毫无意义。

更重要的是，不幸的是，Keras 不会“保护”您或任何其他用户免于在您的代码中放置这些无意义的请求，也就是说，您不会收到任何错误，甚至是警告，表明您正在尝试一些没有意义，例如在回归设置中要求准确性；有关更多详细信息和实际演示，请参阅我在What function defines accuracy in Keras when the loss is mean squared error (MSE)? 中的回答（在 MAE 而不是 MSE 的情况下，论点是相同的，因为两个损失函数都表示回归问题）。

在回归设置中，性能指标通常与损失（此处为 MAE）相同，因此您应该从模型编译中删除 metrics=[‘accuracy’] 参数并只担心您的损失（正如您所说，这是确实很低）。

【讨论】：