我正在 Keras 中训练用于时间序列预测的 LSTM 神经网络。 在模型的训练过程中，损失（mse）在每个时期逐渐减少，但准确性和验证准确性保持相当低并且没有真正改变。
模型的输入集是公司最近五天的能源消耗，每 15 分钟记录一次。输出的是第二天的能源消耗列表，也是每 15 分钟记录一次。在这种情况下，准确性是评估模型的一个有价值的指标吗，因为我不想只预测一个值？
我尝试更改模型架构、超参数等。没有任何真正改变，所以我认为问题在于输出格式的类型和计算准确性的方式。
准确性是机器学习中分类任务的常见评估指标，包括涉及 LSTM（长短期记忆）模型的分类任务。它衡量数据集中正确分类的实例占实例总数的比例。要计算 Keras 模型的准确性，您可以按照以下步骤操作： - 在训练数据集上训练您的 LSTM 模型。 -使用经过训练的模型对单独的验证或测试数据集进行预测。 -将模型的预测与验证或测试数据集的真实标签进行比较。 -计算正确预测数与预测总数的比率。 在 Keras 中，您可以在编译模型时使用准确度指标自动计算准确度。
关于准确性是否是 LSTM 模型的一个有价值的指标，这取决于您的问题和数据集的具体特征。准确性在许多分类任务中是一个很有价值的指标，但它可能并不适合所有情况，特别是当数据集不平衡时。在这种情况下，其他指标（如精度、召回率、F1 分数或 ROC 曲线下面积 (AUC-ROC)）可能会帮助您更好地了解模型的性能。
在决定哪些评估指标最相关时，请考虑数据集中的类别分布以及误报和漏报的潜在后果。在某些情况下，您可能需要将准确性与其他指标结合起来，以全面了解模型的性能。