Python 基于LSTM的文本生成器的理想验证精度应该是多少？

我使用现有的数据集对基于LSTM的文本生成器进行建模。该模型的目的是预测句子的结尾。我的培训显示验证准确率约为81%。在阅读了几篇文章后，我发现与分类问题不同，我应该更担心损失，而不是准确性。是这样吗？如果是这样，理想的损失值是多少？现在我的损失大约是1.5+。

在任何机器学习或深度学习问题上，准确度都没有最低限度。很多人都说垃圾输入，垃圾输出
高质量的数据和良好的模型将为您提供良好的准确性

通常，这些精度基准是为开放式互联网上可用的标准数据集设置的，如、、等等。
通常，最先进的模型将检查它们在这些数据集上的性能，并针对这些数据集设置准确的基准

谈到您的问题，您可以根据准确性判断模型正在执行goog，并且您使用的评估指标（通常在NLP中）来计算损失有点棘手。考虑到你的情况，你试图预测一个没有固定维度的句子的结尾，原因是相同的信息可以用不同的字数以多种方式表达

通过查看模型的验证和测试精度，它看起来不错，但是在提高精度之前，您还应该担心过度拟合问题，模型不应该对您的数据有偏见

您可以尝试使用不同的度量来评估模型，并且可以自己比较结果

---

我希望这能回答你的问题，学习愉快

这实际上取决于您的数据集和您试图解决的问题。不同类型的文本可能比其他文本更难建模。在文本生成问题中，我应该针对的准确性是什么？我尝试90%以上，会不会太合适。您如何看待80%的验证准确率和86%的测试准确率？