研究生人工智能入门2（深度学习-传统神经网络）分类监督学习（supervised learning样本有label）:

分类

监督学习（supervised learning样本有label）:最终是为了拟合一个函数
无监督学习（unsupervised learning）(样本无label)

模型评估方法（待补充）

混淆矩阵（coonfusion matrix）适用于多分类
：由混淆矩阵可以衍生出四个关键指标：准确率ACC（混淆矩阵中正对角线/总量），精确率Precision（TP/竖线总和），召回率：Recall（TP/横线总和），F1分数：F1-Scores（精确率召回率相乘/相加）

TP（True Positive） ：真实患病且被正确预测为患病的数量（8人）
FP（False Positive） ：真实健康但被错误预测为患病的数量（4人）
TN（True Negative） ：真实健康且被正确预测为健康的数量（86人）
FN（False Negative） ：真实患病但被错误预测为健康的数量（2人）

准确率（Accuracy）
模型预测正确的比例
📌 (TP+TN)/Total = (8+86)/100 = 94%
精确率（Precision）
预测为阳性时正确的概率
📌 TP/(TP+FP) = 8/(8+4) = 66.7%
召回率（Recall）
真实阳性中被正确找出的比例
📌 TP/(TP+FN) = 8/(8+2) = 80%
F1分数（F1-Score）
精确率和召回率的调和平均
📌 2*(Precision*Recall)/(Precision+Recall) = 72.7%

    ```
   y_true=test_labels.cpu().numpy()
    y_pred = preds.cpu().numpy()
#    计算混淆矩阵
    cm=confusion_matrix(y_true, y_pred)
    plt.figure(figsize=(8,6))
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
                xticklabels=['Normal', 'Fault'],
                yticklabels=['Normal', 'Fault'])
    plt.xlabel('Predicted',fontsize=16)
    plt.ylabel('Actual',fontsize=16)
    plt.title('Confusion Matrix',fontsize=16)
    plt.show()
    # 方法1：
    print("\nSklearn计算结果：")
    print(f"Accuracy: {accuracy_score(y_true, y_pred):.4f}")
    print(f"Precision: {precision_score(y_true, y_pred):.4f}")
    print(f"Recall: {recall_score(y_true, y_pred):.4f}")
    print(f"F1 Score: {f1_score(y_true, y_pred):.4f}")
    # 方法2
    print("\n分类报告：")
    print(classification_report(y_true, y_pred,
                                target_names=['Normal', 'Fault'],
                                digits=4))
```

研究生人工智能入门2（深度学习-传统神经网络）

分类

模型评估方法（待补充）

常见模型

线性模型

逻辑回归

传统神经网络

单层神经网络（向量×权重再通过输出函数）感知机

前馈神经网络（输入层+多层隐层+输出层）多层感知机

梯度下降

BP算法（起源自误差）