如何为该训练模型计算混淆矩阵？（附训练代码）

嘿，针对你这个用Encoder-Decoder结构训练的Seq2Seq模型，计算混淆矩阵其实不难，只是因为是序列预测任务，得稍微处理下数据格式。下面一步步来操作：

1. 先获取模型的预测结果 #

首先你得用训练好的模型对目标数据集（比如训练时拆分出的验证集）做预测。因为你训练时用了validation_split=0.2，要么手动把原始数据拆分成训练/验证集，要么直接用模型对整个输入数据预测后再拆分验证部分。代码示例如下：

# 假设你已经准备好验证集输入：val_encoder_input, val_decoder_input
predictions = model.predict([val_encoder_input, val_decoder_input])

这里的predictions形状是(样本数, 序列长度, 类别数)，和你的decoder_target_data结构完全对应。

2. 把独热编码转成类别索引 #

因为你用了categorical_crossentropy损失，目标数据decoder_target_data是独热编码格式的，得转成具体的类别索引才能和预测结果对比：

import numpy as np

# 真实标签：从独热编码转成类别索引
true_labels = np.argmax(val_decoder_target, axis=-1)
# 预测标签：取每个时间步概率最大的类别作为预测结果
pred_labels = np.argmax(predictions, axis=-1)

现在这两个变量的形状都是(样本数, 序列长度)，每个位置存的是对应的类别编号。

3. 展平数据（可选但常用） #

混淆矩阵一般是统计所有预测样本的结果，所以把二维的序列数据压成一维数组会更方便计算：

# 把序列维度展平，变成所有时间步的标签集合
true_labels_flat = true_labels.flatten()
pred_labels_flat = pred_labels.flatten()

如果你不想统计所有时间步，只想看每个序列最后一步的预测结果，那直接取每个序列的最后一个元素就行，不用展平。

4. 计算并可视化混淆矩阵 #

用sklearn的工具就能轻松搞定，代码示例如下：

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
import matplotlib.pyplot as plt

# 计算混淆矩阵
cm = confusion_matrix(true_labels_flat, pred_labels_flat)

# 可视化（按需使用）
# 记得把display_labels换成你的类别名称列表，比如["类别1", "类别2"...]
disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=你的类别名称列表)
disp.plot(cmap=plt.cm.Blues)
plt.show()

重要的小细节 #

如果你的模型是处理文本这类带填充（padding）的序列，记得过滤掉填充标签！比如你的填充标签是0，那就在展平后加个过滤：

# 过滤掉填充的无效标签（假设填充标签为0）
mask = true_labels_flat != 0
filtered_true = true_labels_flat[mask]
filtered_pred = pred_labels_flat[mask]
# 用过滤后的标签计算混淆矩阵
cm = confusion_matrix(filtered_true, filtered_pred)

这样统计出来的结果才是有效的，不会被填充的无效标签干扰。

内容的提问来源于stack exchange，提问作者rzr