训练和验证 LSTM 问题：Precision & Recall 问题

Question

我开发了一个 LSTM 编码器-解码器模型，用于基于 Jump-Diffusion 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配了 75/25。

我的问题是，在应用 SMOTE 等类别不平衡技术后，我的模型在训练和验证方面的预测准确度都非常高（仍然可能过度拟合）。但是，在精度、召回率和 f1 分数方面，我的训练模型再次表现良好，但在验证方面，我的准确率和召回率显着下降。这显然会导致验证方面的 f1 分数较低。

有谁知道为什么验证准确率会很高，但准确率和召回率都显着下降？这是我的模型在验证方面计算精度和召回率的方式有问题，还是只是我的模型过度拟合导致验证结果较低？

模型结果总结见下图，如果需要我也可以提供笔记本。

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

如果你能给出你的混淆矩阵会更好。

但是，计算似乎有问题。

在数学上，**（准确率 + 召回率 >= 精度）

编辑： 这是mathematical identity。

在你的情况下，31 + 33

我建议您使用this function。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。