我開發了一個 LSTM 編碼器-解碼器模型，以便根據跳躍擴散模型（本質上是二元分類問題）對價格變動進行分類。我的模型在訓練和驗證之間分成 75/25。我的問題是，在應用 SMOTE 等類不平衡技術之后，我的模型在訓練和驗證方面的預測準確性都非常高（可能仍然過度擬合）。但是，當談到精度、召回率和 f1 分數時，我的訓練模型再次表現良好，但在驗證方面，我的精度和召回率顯著下降。這顯然會導致驗證端的 f1 分數較低。有誰知道為什么驗證準確率很高，但準確率和召回率都大幅下降？這是我的模型在驗證端計算精度和召回率的方式的問題，還是我的模型過度擬合導致驗證結果較低？模型結果匯總見下圖，如有需要我也可以提供notebook。編輯：包括相關代碼#%pip install keras-metrics# Importing required packagesimport keras_metrics as km# LSTM Workings_Autoencoder Modelac_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')