

> 本文是《滚动轴承故障诊断》系列的第 7 篇（训练与评估）。
> 系列完整目录见文末【专栏导航】。本篇的训练脚本、评估脚本与一键出图，见同名公众号。

## 一、训练前的最后一件事：数据划分

三个模型在训练前都做同一件事：**把 5600 条样本按 7:3 分成训练集和测试集**。

- **训练集（70%）**：模型用来"学习"的部分；
- **测试集（30%）**：模型**从没见过**的部分，用来检验它学得真不真。

关键点：**测试集必须训练完才碰**，否则就是"偷看答案"（数据泄漏），成绩会虚高、答辩经不起问。本项目固定随机种子（99），保证每次划分一模一样、**结果可复现**——这也是论文里"实验设置"一节必须交代清楚的地方。

## 二、训练过程的几个概念（面试/答辩常问）

```python
model.fit(train_data, train_label,
          epochs=20, batch_size=16, validation_split=0.2,
          optimizer=Adam(lr), loss=sparse_categorical_crossentropy)
```

| 概念 | 解释 | 本项目 |
|---|---|---|
| `epochs` | 把整个训练集"过几遍" | 20 |
| `batch_size` | 每批喂多少条样本才更新一次参数 | CNN 16 / ResNet 32 |
| `optimizer` | 用哪个优化器调整参数 | Adam |
| `learning_rate` | 每次更新的步长（学太快容易乱，太慢学不完） | CNN 0.001 / ResNet 1e-4 |
| `loss` | 衡量"错得多离谱"的函数 | 稀疏交叉熵 |


---
**为什么 ResNet 学习率更小（1e-4）**？因为残差网络更复杂，步子迈太大会震荡不收敛，所以要"小步慢走"。这个细节写进论文，能体现你真懂。

**验证集（validation_split=0.2）**：从训练集里再留 20% 出来，边训练边"偷看"泛化效果——但它**不参与学习**，只是观察。



![1D-CNN 训练曲线（原始训练日志）](https://developer.qcloudimg.com/http-save/yehe-3636443/1f167ee38f2666e8eb7d40d6e6d8f6b0.png)




![内容：CNN+ResNet 训练曲线（原始训练日志）](https://developer.qcloudimg.com/http-save/yehe-3636443/97735e1e4b7c5dea8e86466671ea925b.png)


## 三、评估指标：准确率之外，还要看什么

只用准确率是不够的（尤其是类别不平衡时）。论文里通常四个指标一起上：

| 指标 | 含义 | 通俗版 |
|---|---|---|
| Accuracy | 全部预测对的比例 | 总分 |
| Precision | 说对的比例 | 说的没错 |
| Recall | 真样本找回的比例 | 没漏 |
| F1 | 二者的调和平均 | 综合分 |

**本项目最关键的观察点**：CNN 的**内圈故障召回率明显低**（漏了），ResNet 把它救回来——这组对比就是论文实验章节的"题眼"。

## 四、混淆矩阵：一眼看出模型"哪类老认错"
![三模型混淆矩阵并排对比（随机森林 / 1D-CNN / CNN+ResNet）](https://developer.qcloudimg.com/http-save/yehe-3636443/d67f1f13fbd3f2729159d7b9157518a6.png)

混淆矩阵是个 4×4 的表格：**行是真实类别，列是模型预测的类别**，对角线就是"判对"的数量。

- 对角线又粗又深 → 模型靠谱；
- 某个**非对角格特别大** → 模型总把 A 类错认成 B 类，这就找到了模型的具体毛病。

本项目经典案例：CNN 在"内圈→滚动体"这一格明显偏大。而 ResNet 的对角线干净整齐、四类都深——**残差的价值一眼可见**。答辩时指着这张图讲，比念数字有说服力十倍。

## 五、把结果变成论文对比表

把三个模型的指标收拢成一张表（数据来自评估脚本输出，以你自己复现的为准）：

| 模型 | 准确率 | 内圈召回率 | 论文定位 |
|---|---|---|---|
| 随机森林 | ~0.73 | ~0.78 | 传统方法基线 |
| 1D-CNN | ~0.83 | 偏低 | 浅层网络局限 |
| CNN+ResNet | **~0.95+** | 高 | 本文推荐方法 |

> 配套评估脚本一键生成这张表 + 三张混淆矩阵图，直接贴论文。跑完记得把关键数字抄进自己的表格。

## 六、本篇小结

- 7:3 划分 + 固定种子 = 可复现；测试集绝不参与训练；
- 四个指标 + 混淆矩阵，别只看准确率；
- 内圈召回率差异是 CNN/ResNet 对比的核心，答辩常问；
- 一键出表出图：公众号「免费代码合集」→ 05 / 06 章节。

**配图**


### 专栏导航

| 篇次 | 主题 | 状态 |
|---|---|---|
| 1 | 项目总览与三模型对比 | ✅ |
| 2 | 环境部署 | ✅ |
| 3 | CWRU 数据集深度解析 | ✅ |
| 4 | 数据预处理源码走读 | ✅ |
| 5 | 随机森林实战 | ✅ |
| 6 | 一维卷积与残差模块 | ✅ |
| 7 | 模型训练与评估（本文） | ✅ |
| 8 | 可视化诊断系统 | 排期中 |
| 9 | 论文报告与答辩话术 | 排期中 |

---

**下一篇预告**：《可视化诊断系统：PyQt5 搭建带界面的工具》，把训练好的模型装进一个点按钮就出结果的软件里，答辩现场演示神器。

---

*版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用。*



本文是《滚动轴承故障诊断》系列的第 7 篇（训练与评估）。 系列完整目录见文末【专栏导航】。本篇的训练脚本、评估脚本与一键出图，见同名公众号。

手把手教你：基于深度学习的滚动轴承故障诊断｜第 7 篇 · 模型训练与评估：复现全部结果、读懂混淆矩阵

本文讲模型训练与评估的规范做法：5600条样本按7:3划分、固定随机种子保证可复现，测试集绝不参与训练；除准确率外还要看精确率、召回率、F1与混淆矩阵。核心是内圈召回率差异——随机森林0.73、CNN0.83、ResNet达95%+，三模型对比即成论文题眼。

人工智能

本文详解滚动轴承故障诊断模型训练与评估全流程，涵盖7:3数据划分、固定随机种子复现方法、CNN与ResNet参数对比、四维评估指标及混淆矩阵分析。重点揭示内圈故障召回率差异，指导论文实验对比表制作，为答辩提供数据支撑。

数据预处理

代码解释

数据泄漏

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

手把手教你：基于深度学习的滚动轴承故障诊断｜第 7 篇 · 模型训练与评估：复现全部结果、读懂混淆矩阵-腾讯云开发者社区-腾讯云

手把手教你：基于深度学习的滚动轴承故障诊断｜第 7 篇 · 模型训练与评估：复现全部结果、读懂混淆矩阵

手把手教你：基于深度学习的滚动轴承故障诊断｜第 7 篇 · 模型训练与评估：复现全部结果、读懂混淆矩阵

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐