问信息可视化:数据科学家应该规划哪些参数来最好地解释神经网络背后的工作？

EN

解释您的发现有不同的方法，但是将目标与所提供的输入相关联是很困难的，只有少数几个体系结构(比如决策树)做得很好。

• 如果你想回答一个问题：“为什么我的神经网络遗漏了我的验证集中的几个样本？”那么，这将是一条艰难而可能的道路。可解释机器学习有很多好的资源
• 如果您试图将您的模型(CNN)的性能与同一数据集中的其他体系结构进行比较，那么查看接收机算子特性是一个很好的起点。
• 如果您有一个不平衡的数据集，那么F1评分是值得一看的好东西。作为一个分类问题(这是我从您的问题中得出的假设)，您可以通过导出量的多样性。来指示性能。

您可以绘制模型的混淆矩阵，以显示真实阳性、真阴性、假阳性、假阴性的数量。

混淆矩阵码

from sklearn.metrics import confusion_matrix
confusion_matrix(y_true,y_pred)

有关混淆矩阵的更多详细信息，请参阅混淆矩阵

混淆矩阵可以用海热图绘制。

绘制混淆矩阵的代码

import seaborn as sns
import matplotlib.pyplot as plt
sns.heatmap(confusion_matrix, annot=True)

有关热图的详细信息，请参阅海热图