该问题基于LSTM on sequential data, predicting a discrete column和我遇到的有用的公认答案。答案提供了一个观点，即LSTM有望在数据集上获得良好的性能。（我在我的数据上使用Ensemble Bagged Trees的准确度接近96.4％，并期望使用LSTM作为数据中的行顺序获得更好的性能很重要）。我正在尝试将LSTM应用于格式如下的表格数据集： Sample data structure
基本上是序列分类问题的一种时间序列，用于对表格数据集最后一列中的14个标签/目标进行分类。我一直在从上面提到的链接中引用可接受的答案，但是在以下方面感到困惑：在参考Stackoverflow答案中对LSTM分类性能的评估仅在训练数据集上进行，而没有针对测试数据集。我也尝试过使用sklearn.model_selection.train_test_split分割数据，但是它不起作用，从这种意义上说，张量的尺寸不匹配。我数据的最后一列中的标签是分类的（字符串类型），因此与参考问题不同，将数据转换为单热编码标签/使用标签编码器也将是必需的。我不确定如何将新数据放入模型中进行测试，并以相同的字符串/分类格式（如数据中的原始标签）返回预测。
如果能从表中提供有关测试集上LSTM模型性能评估的任何指南（例如将数据拆分为70-30％），我将不胜感激。另外，类似于机器学习模型，是否存在一种合适的方法来为分类开发混淆矩阵，并以字符串类型标签（以原始分类格式）取回预测的类？
