Skip to main content

常见问题解答 (Frequently Asked Questions)

1. 如何阅读 混淆矩阵 (confusion matrix)？​

混淆矩阵 是一种评估已训练分类器性能的工具。以下是如何解释它：

  • 矩阵布局
    • 行 代表 预测类别 (predicted class)——已训练分类器对样本的预测结果。
    • 列 代表 实际类别 (actual class)——源数据中分配给样本的标签。
  • 关键要素
    • 对角线（蓝色阴影）：代表 真阳性 (true positives) 和 真阴性 (true negatives)，即模型正确预测了类别。
      • 真阳性：模型正确预测正类。
      • 真阴性：模型正确预测负类。
    • 白色单元格（非对角线）：代表 假阳性 (false positives) 和 假阴性 (false negatives)，表示错误分类。在多类模型中，这些单元格突出显示特定的类别混淆。
  • 边际信息
    • 底行（类别边际）：显示每个类别的准确率（绿色）和错误率（红色）。
    • 右下角：显示模型的总体准确率（绿色）和总体错误率（红色）。
  • 轴标签的相关性
    • X 轴上的数字对应于 Y 轴上的类别标签。例如，如果 Y 轴上是“fan-balance (1)”，则 X 轴上的“1”代表同一类别。
  • 数据表示
    • 矩阵中的每个数字对应于第 3.4 和 3.6 节中所示直方图的数据段或数据块。

2. 什么样的 混淆矩阵 才是好的？​

理想情况下，好的 混淆矩阵 在白色单元格中的数字尽可能小（表示最少的错误分类或错误预测）。

注意

混淆矩阵 提供了关于模型优势和可能存在问题的领域的宝贵见解，帮助您进一步完善分类器。

3. 我应该如何解释复杂性数字？​

复杂性数字可以帮助您衡量模型在 MCU/MPU 上的资源消耗。这些数字不是最终的，因为模型仍然可以优化。例如：在前面的第 3.9 节中，我们看到大多数重要的频带位于决策重要性图上的 < 50 Hz 范围内。知道了这一点，我们可以使用滤波器在特征计算中仅使用 < 50 Hz 的频率并节省资源（乘法运算）。

注意

如果您在项目创建阶段预选了目标处理器，那么排名靠前的模型将是适合该处理器的模型——这意味着模型的资源消耗将落在该目标处理器的可用资源范围内。

4. 什么是一对一分类策略？​

一对一 (One-vs-One) 分类策略用于机器学习模型，特别是多类分类任务。在这种方法中：

  • 为数据集中的每对类别训练一个单独的二元分类器。
  • 例如，如果有三个类别（A、B、C），模型训练三个分类器：一个用于 A 对 B，一个用于 A 对 C，一个用于 B 对 C。
  • 在预测期间，模型评估所有成对分类器，并根据投票机制或其他聚合策略确定最终类别。

此策略有助于将复杂的多类问题分解为更简单的二元分类任务，使决策结构更容易解释。