卷积神经网络分类效果可视化

最新推荐文章于 2024-09-14 19:08:33 发布

小宋初识深度学习

最新推荐文章于 2024-09-14 19:08:33 发布

阅读量65

点赞数

文章标签： cnn 分类人工智能

本文链接：https://blog.csdn.net/m0_70661739/article/details/134898998

版权

本文介绍了如何在卷积神经网络中可视化滤波器及其响应，展示样本预测结果，并通过分类报告和混淆矩阵评估模型性能。使用sklearn和Seaborn库进行精确度、召回率和F1分数计算以及混淆矩阵可视化。

摘要由CSDN通过智能技术生成

特征可视化

对于卷积神经网络，你可以可视化卷积层的滤波器（filter）以及它们在输入信号上的响应。这可以帮助你理解网络是如何学习特征的。

# 获取卷积层的输出
layer_outputs = [layer.output for layer in model.layers if isinstance(layer, Conv1D)]
activation_model = Model(inputs=model.input, outputs=layer_outputs)
activations = activation_model.predict(sample_data)

# 可视化卷积层的输出
layer_names = [layer.name for layer in model.layers if isinstance(layer, Conv1D)]
for layer_name, activation in zip(layer_names, activations):
    plt.figure(figsize=(8, 4))
    for i in range(activation.shape[-1]):
        plt.plot(activation[0, :, i], label=f'Filter {i + 1}')
    plt.title(f'Activation of {layer_name}')
    plt.legend()
    plt.show()

样本预测可视化

随机选择一些测试集样本，将模型的预测结果与真实标签进行对比。

import random

# 随机选择一些测试样本
sample_indices = random.sample(range(len(X_test)), 5)

for index in sample_indices:
    # 获取单个测试样本
    sample_data = X_test[index].reshape(1, -1, 1)
    true_label = label_encoder.inverse_transform([y_true_classes[index]])[0]

    # 进行预测
    predicted_probs = model.predict(sample_data)
    predicted_label = label_encoder.classes_[np.argmax(predicted_probs)]

    # 可视化
    plt.figure(figsize=(8, 4))
    plt.plot(sample_data[0], label='Signal')
    plt.title(f'True Label: {true_label}, Predicted Label: {predicted_label}')
    plt.legend()
    plt.show()

分类报告

使用sklearn库中的classification_report可以生成每个类别的精确度、召回率和 F1 分数等指标。

from sklearn.metrics import classification_report

# ...（前面的代码）

# 生成分类报告
report = classification_report(y_true_classes, y_pred_classes, target_names=label_encoder.classes_)
print(report)

混淆矩阵热图

import seaborn as sns
import matplotlib.pyplot as plt

# ...（前面的代码）

# 计算混淆矩阵
confusion_mtx = confusion_matrix(y_true_classes, y_pred_classes)

# 可视化混淆矩阵
plt.figure(figsize=(10, 8))
sns.heatmap(confusion_mtx, annot=True, fmt='d', cmap='Blues', xticklabels=label_encoder.classes_, yticklabels=label_encoder.classes_)
plt.xlabel('Predicted Label')
plt.ylabel('True Label')
plt.title('Confusion Matrix')
plt.show()