我目前正在训练这个模型：https://pastebin.com/F7dQvmZP。当我每次只用1个特征（原始数据）训练它时，我得到了~1.3的损失和~57％的准确度。添加变化方向（如果增加0则增加0，如果相同则增加为-1，如果减少）作为第二个特征到每个时间步，我的损失降低到~0.8并且我的准确度增加到~70％。然后我添加了一个不同比例版本的原始数据作为第三个功能。该数据基本上被缩放，使得该时间序列期间的最大读数为1.0。快速训练导致~1e-7的损失，但精度保持在~7％。输入组成如下
np.dstack((measurements, change, scaled))
我真的不知道这是怎么可能的，因为我的输出是一个热编码，我只有22个类。培训数据包括291300次培训和97100份验证样本。它训练正常，直到我添加第三个功能（即使我只使用第三个功能）。任何帮助，将不胜感激。