我已经建立了一个基于 Keras 的二元分类模型，我得到了大约 70% 的准确率，大约 72% 的准确率和 88% 的召回率，高达 79% 的 F1-Score。我尝试了不同的数据模型（从原始模型派生新特征（列）），但模型相同（相同的超参数、相同数量的隐藏层 (1) 以及每层中相同数量的节点）。

对于创建的不同模型，经过评估，accuracy、precision、recall 和 F1-Score 的值与上面几乎相同。但是，对于所有测试的模型，召回率总是（对于所有模型）很高，范围从 85% 到 100%。

这对我的模型有什么影响？够好吗？为什么所有模型的召回率都这么高，而准确率却在 61% 和 73% 左右？

PS：当我的意思是“所有模型”时，正如我上面所说，它是相同的 keras 模型，具有相同的层和节点和超参数的 nr，只是尝试不同的数据帧作为输入。第一个是原始的，其他的例如少了 1 个功能，我认为是不相关的。或者另一种模型，输入数据与原始数据相同，但添加了派生特征，例如添加特征“is_weekend”，用 1 或 0 表示，但该特征源自原始数据中已有的日期特征。对我来说，这是另一个模型，因为输入数据不一样。

这是我的第一个模型的评估结果，基本数据框，具有原始特征，其中没有派生列：

basic_df
accuracy:  0.7068636796381271
f1-score:  0.7915721938539619
precison:  0.6974898160810807
recall:  0.9234265146423681

我的数据集不是很不平衡。我有 6992 个数据点，其中 4303 个 1 类 (61.54%) 和 2689 个 0 类 (38.46%)。