Keras 如何提高LSTM的精度？

我试图通过“LSTM序列到序列”模型预测时间序列数据。 我用过凯拉斯。 我应该在模型中更改什么以提高准确性

• 输入：过去4个时间步
• 输出：未来2步
• 功能数量：5
• 数据维度：

  train_x (1308, 4, 5)
  train_y (1308, 2, 5)
  test_x (118, 4, 5)
  test_y (118, 2, 5)
  

结果：

[mse:0.021793483835408241，准确度：0.54661016696590492]

模型定义：

def fit_model(n_cells):
    model=Sequential()
    model.add(LSTM(n_cells, input_shape=(4,5)))
    model.add(Dense(n_cells))
    model.add(RepeatVector(2))  
    model.add(LSTM(n_cells,  input_shape=(10,5), return_sequences=True))
    model.add(TimeDistributed(Dense(5,  activation='linear')))  
    model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])
    print(model.summary())
    hist=History()
    for i in range(100):
    hist=model.fit(train_x, train_y, batch_size=32, epochs=1, validation_split=0.33, shuffle=False)
    model.reset_states()
    loss=model.evaluate(test_x, test_y, verbose=0)
    print(loss)

cells = [150]
for value in cells:
    fit_model(value)

---

您似乎正在执行回归，所以在这种情况下精度没有意义。为什么在我执行回归时精度并不重要？因为精度仅适用于分类（离散输出），所以您可以比较是否相等。在回归中，您预测的是一个连续值，因此如果目标值为0.99，而网络预测值为1.0，则将其视为错误分类。所以准确是没有意义的。哦，谢谢！！！：）您似乎正在执行回归，所以在这种情况下精度没有意义。为什么在我执行回归时精度并不重要？因为精度仅适用于分类（离散输出），所以您可以比较是否相等。在回归中，您预测的是一个连续值，因此如果目标值为0.99，而网络预测值为1.0，则将其视为错误分类。所以准确是没有意义的。哦，谢谢！！！：）