CNN 和 GRU 八分类器混淆矩阵分析

本文展示了 CNN 和 GRU 两种分类器在八分类任务中的预测结果，并根据其预测结果和实际标签计算了混淆矩阵，用于评估模型的性能。

数据示例:

cnn:    [7, 1, 2, 0, 0, 0, 1, 0, 7, 0, 0, 1, 0, 0, 0, 7, 0, 0, 7, 0, 2, 0, 0, 2, 0, 0, 7, 2, 2, 0, 7, 7]
gru:    [7, 1, 0, 0, 0, 0, 0, 0, 7, 0, 0, 1, 0, 0, 0, 7, 0, 0, 7, 0, 0, 0, 0, 0, 0, 0, 7, 2, 2, 0, 7, 7]
labels :[7, 1, 0, 0, 0, 0, 0, 0, 7, 0, 0, 1, 0, 0, 0, 7, 0, 0, 7, 0, 0, 0, 0, 0, 0, 0, 7, 0, 0, 0, 7, 7]

混淆矩阵:

根据以上标签，计算出 CNN 和 GRU 分类器的混淆矩阵如下:

CNN 混淆矩阵:

          Predicted Class
           0   1   2   7
Actual 0 | 7   1   2   0 |
Class  1 | 0   0   0   0 |
       2 | 0   0   0   0 |
       7 | 0   0   2   7 |

GRU 混淆矩阵:

          Predicted Class
           0   1   2   7
Actual 0 | 7   1   0   0 |
Class  1 | 0   0   0   0 |
       2 | 0   0   0   0 |
       7 | 0   0   2   7 |

混淆矩阵解释:

矩阵中的每一行代表实际类别，每一列代表预测类别。
矩阵中的数字表示每个类别被正确分类或错误分类的次数。

例如，对于 CNN 分类器：

对于真实类别 0，CNN 分类器将其正确分类为 0 的次数为 7 次，将其错误分类为 1 的次数为 1 次，将其错误分类为 2 的次数为 2 次，将其错误分类为 7 的次数为 0 次。

通过分析混淆矩阵，我们可以直观地了解模型的分类性能，例如：

准确率: 模型正确分类样本数占总样本数的比例。
精确率: 模型预测为某类别的样本中，实际属于该类别的样本所占的比例。
召回率: 实际属于某类别的样本中，被模型正确预测为该类别的样本所占的比例。

通过计算上述指标，我们可以更深入地了解模型在不同类别上的表现，并根据实际需求调整模型训练策略，提升模型性能。