LSTM识别（多分类预测）

在我的整个模型中，对读进来的时间序列数据处理，删不必要列，特征筛选，归一化，独特编码，处理不平衡是手动的，滑窗，LSTM模型（python tensorflow），每一步都print过，出现如图问题，test中loss变大，accuracy减小，请教🫑这是什么原因造成的？怎么解决嘞

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7511163
• 你也可以参考下这篇文章：用LSTM做时间序列预测的思路,tensorflow代码实现及传入数据格式
• 除此之外, 这篇博客: 交通流预测爬坑记（二）：最简单的LSTM预测交通流，使用tensorflow2实现中的 上面代码是最简单的，只是用流量，同时单一节点进行流量预测。 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 也可以使用速度，占有率等信息，加入到模型中对流量进行预测。真要认真做起来是比较难的，但是如果只是应付应付，提供一个思虑：

  可以把另外几种特征也按照time_step=5，进行划分，直接传入到模型中，只不过在模型的最后一层加一个Flatten层（将所有数据拉直成一维），这样就可以大大方方的说”本文考虑了，流量、速度、车道占有率等多种因数，相对于以前文章具有重大改进“

• 您还可以看一下 覃秉丰老师的Tensorflow进阶项目系列课程中的 使用LSTM完成语音分类小节, 巩固相关知识点
  
• 以下回答由chatgpt基于相关博客总结生成:

  可能造成训练效果恶化的原因有很多，其中可能的原因包括但不限于：

  1. 数据预处理过程中的错误，例如特征筛选、归一化、独特编码等步骤有误，导致模型无法正确学习信息

  2. 训练参数设置有误，例如学习率设置过高过低，迭代次数不足等导致模型无法学习到有效的信息

  3. 模型结构设计不合理，例如LSTM模型中的神经元数不足，导致模型无法捕捉到时间序列数据的特征

  解决上述问题的方法如下：

  1. 重新检查数据预处理过程中的每一步骤，确保数据处理的正确性和有效性

  2. 调整训练参数并重新训练模型，例如降低学习率，增加迭代次数等等

  3. 重新设计模型结构，例如增加LSTM模型中的神经元数或增加层数，以提高模型的性能

  最好的解决方案需要结合具体情况而定，可以多次调整参数、设计模型，并尝试不同的数据处理方法，以找到最优解决方案。还可以使用一些辅助工具和库来对模型进行调优，例如TensorFlow的内置调优功能等。