【针对路面识别数据集，结合三轴加速度标准化数据及多路面识别需求，以下是算法选择与处理方案】

一、算法选择建议

[1. 首选推荐：XGBoost / 随机森林](#1. 首选推荐：XGBoost / 随机森林)

[2. 次选推荐：支持向量机（SVM）](#2. 次选推荐：支持向量机（SVM）)

[3. 谨慎使用：逻辑回归 / 朴素贝叶斯](#3. 谨慎使用：逻辑回归 / 朴素贝叶斯)

[4. 进阶选择：神经网络（CNN/LSTM）](#4. 进阶选择：神经网络（CNN/LSTM）)

二、多路面识别方案

[1. 多分类建模](#1. 多分类建模)

[2. 特征工程增强](#2. 特征工程增强)

[3. 数据预处理优化](#3. 数据预处理优化)

[4. 模型评估与调优](#4. 模型评估与调优)

[️ 3.📊 两段代码的改进点总结](#️ 3.📊 两段代码的改进点总结)

[4.🚀 如何再精进？预测准确率突破 80% 的方案](#4.🚀 如何再精进？预测准确率突破 80% 的方案)

[1. 引入频域特征 (最推荐 🔥)](#1. 引入频域特征 (最推荐 🔥))

[2. 优化 XGBoost 超参数](#2. 优化 XGBoost 超参数)

[3. 解决类别不平衡](#3. 解决类别不平衡)

一、算法选择建议

1. 首选推荐：XGBoost / 随机森林

优势：对高维特征和非线性关系处理能力强，能自动捕捉加速度信号中的复杂模式（如湿滑路面的高频抖动、沥青路面的平稳波动）。
适用场景：数据量中等（几千到几万条样本），需要高精度且可解释性强的模型。
注意事项：需进行特征工程（如提取均值、方差、频域能量等），避免直接输入原始时序数据导致过拟合。

2. 次选推荐：支持向量机（SVM）

优势：在小样本场景下表现优异，通过核函数（如 RBF）可有效处理非线性分类。
适用场景：数据量较小（<5000 条），或类别间边界清晰（如干燥 vs. 湿滑）。
局限性：计算复杂度随样本量增长较快，不适合大规模数据。

3. 谨慎使用：逻辑回归 / 朴素贝叶斯

逻辑回归：仅适用于线性可分问题，而路面振动信号通常高度非线性，效果可能较差。
朴素贝叶斯：假设特征独立，但三轴加速度数据存在强相关性（如 X/Y/Z 轴的耦合振动），可能违反假设导致性能下降。

4. 进阶选择：神经网络（CNN/LSTM）

优势：可直接处理原始时序数据，自动学习深层特征（如 CNN 提取局部振动模式，LSTM 捕捉长时依赖）。
适用场景：数据量大（>1 万条），且有充足算力支持训练。
注意事项：需设计合适的网络结构（如 1D-CNN + LSTM 混合模型），并防止过拟合（使用 Dropout、早停等）。

二、多路面识别方案

若需区分多种路面（如湿滑-11、沥青-12 等），可采用以下策略：

1. 多分类建模

将每个路面类型作为独立类别（如"湿滑-11"=0，"沥青-12"=1），使用多分类算法（XGBoost/SVM/神经网络）直接输出类别标签。
关键步骤：确保训练集覆盖所有路面类型，且各类别样本量均衡。

2. 特征工程增强

从原始三轴加速度数据中提取统计特征（均值、标准差、峰度、偏度）、频域特征（FFT 能量谱）、时域特征（过零率、自相关系数）。
例如：湿滑路面可能在 Z 轴方向有更高的标准差，而沥青路面在 X/Y 轴方向有更平稳的波动。

3. 数据预处理优化

对每个文件的数据进行滑动窗口分割（如每 100 条数据为一个窗口），生成多个样本片段，增加训练数据量。
使用标准化后的数据进行训练，避免不同传感器或路段的量纲差异影响模型。

4. 模型评估与调优

使用交叉验证（如 5 折）评估模型泛化能力，重点关注 Kappa 系数和 F1 分数。
针对不平衡类别（如某些路面样本较少），可使用过采样（SMOTE）或调整类别权重。

三、其他适合传感器数据的算法

AdaBoost：通过组合弱分类器提升精度，适合中小规模数据，但需注意过拟合风险。
高斯贝叶斯（GNB）：虽假设特征连续且服从正态分布，但若数据经标准化后接近正态分布，可作为基线模型快速验证。
LightGBM：XGBoost 的轻量级替代，训练速度更快，适合大数据量场景。

四、实施建议

第一步：先使用 XGBoost 或随机森林作为基线模型，快速验证可行性。
第二步：若精度不足，尝试特征工程优化或引入深度学习模型（如 1D-CNN）。
第三步：对多路面识别任务，确保每个类别至少有数百个有效样本，避免模型偏向多数类。

五、具体数据处理

先将数据集的每份数据进行标准化处理

代码如下：

python 复制代码

import pandas as pd
from sklearn.preprocessing import StandardScaler  # 可选：也可以用sklearn，但手写公式更直观

# 1. 设置文件路径
file_path = '你的数据集.xlsx'

# 2. 读取Excel文件的所有Sheet名称
xls = pd.ExcelFile(file_path)
sheet_names = xls.sheet_names

print(f"检测到以下工作表: {sheet_names}")

# 创建一个ExcelWriter对象，用于写入新数据（避免覆盖原文件导致报错，建议存为新文件或新Sheet）
output_file = '你的数据集_标准化后.xlsx'

with pd.ExcelWriter(output_file, engine='openpyxl') as writer:
    # 3. 遍历每一个工作表
    for sheet in sheet_names:
        print(f"正在处理: {sheet} ...")

        # 读取当前Sheet的数据
        df = pd.read_excel(xls, sheet_name=sheet)

        # 假设数据在 x, y, z 三列中（根据截图推测）
        # 如果第一行是标题，pandas会自动识别；如果不是，需调整header参数

        # --- 方法 A: 使用 Pandas 原生函数 (推荐，简单直接) ---
        # axis=0 表示按列计算均值和标准差
        df_standardized = (df - df.mean()) / df.std()

        # --- 方法 B: 如果你想保留原始数据，只把标准化后的数据存入 ---
        # 这里我们直接替换原数据框的内容

        # 4. 将处理后的数据写入新的Excel文件，保持原来的Sheet名字
        df_standardized.to_excel(writer, sheet_name=sheet, index=False)

print("处理完成！文件已保存为:", output_file)

得到结果是标准化后的数据文件

六、模型训练

数据量在1万到9万条之间，XGBoost 绝对是处理这种体量大小的首选

完整的 XGBoost 路面识别代码

1.先装xgboost

python 复制代码

D:\huaweidata\.venv\Scripts\pip.exe install xgboost seaborn matplotlib

2.模型训练

python 复制代码

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, accuracy_score, confusion_matrix
from sklearn.preprocessing import LabelEncoder
import xgboost as xgb
import seaborn as sns
import matplotlib.pyplot as plt
import warnings

# ================= 全局设置：消除警告与字体问题 =================

# 1. 忽略 XGBoost 的 "use_label_encoder" 弃用警告
warnings.filterwarnings("ignore", category=UserWarning, module="xgboost")

# 2. 解决 Matplotlib 中文显示方块/报错的问题
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号


# ================= 1. 数据读取与合并 =================
def load_and_merge_data(file_path):
    """读取Excel的所有Sheet并合并"""
    xls = pd.ExcelFile(file_path)
    all_data = []

    print("正在读取数据...")
    for sheet in xls.sheet_names:
        df = pd.read_excel(xls, sheet_name=sheet)
        df.columns = [col.lower() for col in df.columns]
        df['label'] = sheet
        all_data.append(df)

    merged_df = pd.concat(all_data, ignore_index=True)
    print(f"数据合并完成，总样本数: {len(merged_df)}")
    return merged_df


# ================= 2. 特征提取 (滑动窗口) =================
def extract_features(df, window_size=500):
    """将连续的加速度数据按窗口切分，提取统计特征"""
    features = []
    labels = []

    # 按照窗口大小切分数据
    for i in range(0, len(df) - window_size, window_size):
        window = df.iloc[i: i + window_size]

        # 【优化】检查窗口内标签是否一致，防止切到交界处产生噪声
        if window['label'].nunique() > 1:
            continue  # 如果窗口内有多种标签，直接跳过

        row_features = []
        for axis in ['x', 'y', 'z']:
            row_features.extend([
                window[axis].mean(),
                window[axis].std(),
                window[axis].max(),
                window[axis].min()
            ])

        features.append(row_features)
        labels.append(window['label'].iloc[0])

    feature_df = pd.DataFrame(features, columns=[
        'x_mean', 'x_std', 'x_max', 'x_min',
        'y_mean', 'y_std', 'y_max', 'y_min',
        'z_mean', 'z_std', 'z_max', 'z_min'
    ])
    feature_df['label'] = labels
    return feature_df


# ================= 3. 主程序 =================
if __name__ == '__main__':
    # 配置路径
    file_path = r"D:\huaweidata\江淮试验场路面识别数据集_标准化后.xlsx"  # 请确保这里是你实际的文件路径

    # 1. 加载数据
    raw_data = load_and_merge_data(file_path)

    # 2. 提取特征
    window_size = 500
    print(f"开始特征提取 (窗口大小: {window_size})...")
    feature_data = extract_features(raw_data, window_size=window_size)
    print(f"特征提取完成，生成样本数: {len(feature_data)}")

    # 3. 划分特征 (X) 和 标签 (y)
    X = feature_data.drop('label', axis=1)
    y = feature_data['label']

    # 把中文标签转换成数字
    le = LabelEncoder()
    y_encoded = le.fit_transform(y)

    print("标签映射关系：", dict(zip(le.classes_, le.transform(le.classes_))))

    # 4. 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42,
                                                        stratify=y_encoded)

    # 5. 训练 XGBoost 模型
    print("开始训练 XGBoost 模型...")
    model = xgb.XGBClassifier(
        objective='multi:softmax',
        num_class=len(le.classes_),
        max_depth=6,
        learning_rate=0.1,
        n_estimators=100,
        eval_metric='mlogloss',
        use_label_encoder=False  # 显式关闭该参数以消除警告
    )

    model.fit(X_train, y_train)

    # 6. 预测与评估
    y_pred_encoded = model.predict(X_test)
    y_pred = le.inverse_transform(y_pred_encoded)
    y_test_original = le.inverse_transform(y_test)

    print("\n================ 评估结果 ================")
    print(f"准确率 (Accuracy): {accuracy_score(y_test_original, y_pred):.4f}")
    print("\n分类报告 (Classification Report):")
    print(classification_report(y_test_original, y_pred))

    # 7. 绘制混淆矩阵
    cm = confusion_matrix(y_test_original, y_pred, labels=le.classes_)
    plt.figure(figsize=(12, 10))
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
                xticklabels=le.classes_, yticklabels=le.classes_)
    plt.title('Confusion Matrix')
    plt.xlabel('Predicted Label')
    plt.ylabel('True Label')
    plt.show()

准确率 (Accuracy): 0.6414

python 复制代码

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, accuracy_score, confusion_matrix
import xgboost as xgb
import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib.pyplot as plt

# 解决中文显示问题（Windows系统使用SimHei黑体）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号

# ================= 1. 数据读取与合并 =================
def load_and_merge_data(file_path):
    """读取Excel的所有Sheet并合并，同时自动打上路面标签"""
    xls = pd.ExcelFile(file_path)
    all_data = []

    print("正在读取数据...")
    for sheet in xls.sheet_names:
        # 读取当前Sheet
        df = pd.read_excel(xls, sheet_name=sheet)

        # 假设你的列名是 x, y, z，这里统一转为小写防止大小写问题
        df.columns = [col.lower() for col in df.columns]

        # 给数据打上标签（直接用Sheet的名字作为路面类型，比如 '湿滑-11'）
        df['label'] = sheet

        all_data.append(df)

    # 将所有Sheet的数据纵向拼接
    merged_df = pd.concat(all_data, ignore_index=True)
    print(f"数据合并完成，总样本数: {len(merged_df)}")
    return merged_df


# ================= 2. 特征提取 (滑动窗口) =================
# ================= 2. 特征提取 (滑动窗口) =================
def extract_features(df, window_size=1600, step_size=800): # 增加步长参数
    features = []
    labels = []

    # 把原来的 window_size 步长，改成 step_size 步长
    for i in range(0, len(df) - window_size, step_size):
        window = df.iloc[i: i + window_size]

        row_features = []
        for axis in ['x', 'y', 'z']:
            row_features.extend([
                window[axis].mean(),
                window[axis].std(),
                window[axis].max(),
                window[axis].min()
            ])

        features.append(row_features)
        labels.append(window['label'].iloc[0])

    feature_df = pd.DataFrame(features, columns=[
        'x_mean', 'x_std', 'x_max', 'x_min',
        'y_mean', 'y_std', 'y_max', 'y_min',
        'z_mean', 'z_std', 'z_max', 'z_min'
    ])
    feature_df['label'] = labels
    return feature_df


# ================= 3. 主程序 =================
if __name__ == "__main__":
    # 替换为你标准化后的数据路径
    file_path = '江淮试验场路面识别数据集_标准化后.xlsx'

    # 1. 加载数据
    raw_data = load_and_merge_data(file_path)

    # 2. 提取特征 (这里设定每500条数据作为一个样本片段)
    feature_data = extract_features(raw_data, window_size=3200, step_size=1600)

    # 3. 划分特征 (X) 和 标签 (y)
    X = feature_data.drop('label', axis=1)
    y = feature_data['label']

    # 【新增】把中文标签转换成数字（0, 1, 2...）
    from sklearn.preprocessing import LabelEncoder

    le = LabelEncoder()
    y_encoded = le.fit_transform(y)  # 转换后的数字标签

    # 打印一下转换对照表，方便你查看哪个数字代表哪条路
    print("标签映射关系：", dict(zip(le.classes_, le.transform(le.classes_))))

    # 4. 划分训练集和测试集 (80%训练，20%测试)
    # 注意：这里传入的是 y_encoded（数字标签）
    X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42,
                                                        stratify=y_encoded)

    # 5. 训练 XGBoost 模型
    print("开始训练 XGBoost 模型...")
    model = xgb.XGBClassifier(
        objective='multi:softmax',
        num_class=len(le.classes_),  # 类别数量
        max_depth=6,
        learning_rate=0.1,
        n_estimators=100,
        eval_metric='mlogloss'
    )

    model.fit(X_train, y_train)

    # 6. 预测与评估
    y_pred_encoded = model.predict(X_test)  # 预测出来的也是数字

    # 【新增】把预测的数字标签还原成中文标签，方便阅读
    y_pred = le.inverse_transform(y_pred_encoded)
    y_test_original = le.inverse_transform(y_test)

    print("\n================ 评估结果 ================")
    print(f"准确率 (Accuracy): {accuracy_score(y_test_original, y_pred):.4f}")
    print("\n分类报告 (Classification Report):")
    # print(classification_report(y_test_original, y_pred))
    # 加上 zero_division=0，遇到除数为0的情况直接记为0，不再弹出警告
    print(classification_report(y_test_original, y_pred, zero_division=0))
    # cm = confusion_matrix(y_test_original, y_pred, labels=le.classes_)
    # 7. 绘制混淆矩阵
    cm = confusion_matrix(y_test_original, y_pred, labels=le.classes_)
    plt.figure(figsize=(12, 10))  # 稍微把图拉宽一点，防止中文名字重叠
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
                xticklabels=le.classes_, yticklabels=le.classes_)
    plt.title('Confusion Matrix')
    plt.xlabel('Predicted Label')
    plt.ylabel('True Label')
    plt.show()

准确率 (Accuracy): 0.7222

️ 3.📊 两段代码的改进点总结

对比维度	64% 准确率版本 (基础版)	72% 准确率版本 (进阶版)	改进效果分析
1. 滑动步长	`step = window_size` (无重叠)	`step = window_size / 2` (50% 重叠)	样本量翻倍：重叠采样让模型看到了更多路面片段，缓解了测试集样本过少的问题。
2. 窗口大小	500 (约0.3秒)	3200 (约2秒)	特征更丰富：更大的窗口能捕捉完整的路面震动周期，显著提升了 F1-score。
3. 标签纯度	❌ 无检查 (交界处强制打标)	✅ 有检查 (`nunique > 1` 跳过)	降低噪声：虽然进阶版代码截图里没写这个逻辑，但如果你用了它，这能避免"沥青+湿滑"混合数据误导模型。
4. 警告处理	手动设置参数消除	使用 `warnings.filterwarnings`	代码整洁：不影响准确率，但让控制台输出更清爽。

💡 核心结论

72% 的版本胜在"用时间换空间"。通过增大窗口（看更长的数据）和重叠采样（切更多的样本），模型获得了更稳定的统计特征。

4.🚀 如何再精进？预测准确率突破 80% 的方案

目前的 72% 瓶颈在于：仅靠时域统计特征（均值、方差等）无法完全区分相似路面。要进一步提升，建议从以下三个维度入手：

1. 引入频域特征 (最推荐 🔥)

路面震动的本质是频率信号。沥青路和湿滑路可能在"均值"上很像，但在"频率分布"上截然不同。

操作：对每个窗口的 x/y/z 轴数据做 FFT (快速傅里叶变换)。
新增特征：提取频谱能量、主频、频谱熵等。
预期提升：这是路面识别中最有效的提分手段，通常能带来 5%-10% 的提升。

2. 优化 XGBoost 超参数

目前你使用的是默认参数 (max_depth=6, learning_rate=0.1)，这比较保守。

操作：使用 GridSearchCV 或 Optuna 进行自动调参。
重点关注 ：max_depth (尝试 8-12), min_child_weight, subsample, colsample_bytree。
预期提升：精细化调参通常能榨出 2%-5% 的性能。

3. 解决类别不平衡

你的数据中 湿滑-11 只有 5 个样本，而 湿滑-41 有 33 个。模型会倾向于忽略小样本类别。

操作：在 XGBClassifier 中加入 scale_pos_weight 参数，或者使用 SMOTE 算法进行过采样。
预期提升：显著提升小样本路面的召回率 (Recall)。

七、加入频域特征和网格参数进行优化：

加入 FFT 频域特征（在原有的均值、方差后面，增加频谱能量和主频率）。

加入 GridSearchCV 自动调参（替换掉原来写死的参数，让程序自动寻找最优解）

python 复制代码

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import classification_report, accuracy_score, confusion_matrix
import xgboost as xgb
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.fft import fft  # 【新增】引入FFT用于提取频域特征
from sklearn.preprocessing import LabelEncoder
import warnings

# 解决中文显示问题（Windows系统使用SimHei黑体）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 【新增】忽略一些无关紧要的警告，让控制台更干净
warnings.filterwarnings("ignore", category=UserWarning)


# ================= 1. 数据读取与合并 =================
def load_and_merge_data(file_path):
    """读取Excel的所有Sheet并合并，同时自动打上路面标签"""
    xls = pd.ExcelFile(file_path)
    all_data = []

    print("正在读取数据...")
    for sheet in xls.sheet_names:
        df = pd.read_excel(xls, sheet_name=sheet)
        df.columns = [col.lower() for col in df.columns]
        df['label'] = sheet
        all_data.append(df)

    merged_df = pd.concat(all_data, ignore_index=True)
    print(f"数据合并完成，总样本数: {len(merged_df)}")
    return merged_df


# ================= 2. 特征提取 (滑动窗口 + FFT频域) =================
def extract_features(df, window_size=3200, step_size=1600):
    features = []
    labels = []

    # 按照步长切分数据
    for i in range(0, len(df) - window_size, step_size):
        window = df.iloc[i: i + window_size]

        # 【新增】过滤交界处噪声（如果窗口内包含多种路面，直接跳过）
        if window['label'].nunique() > 1:
            continue

        row_features = []
        for axis in ['x', 'y', 'z']:
            data = window[axis].values

            # --- 原有的时域特征 ---
            row_features.extend([
                np.mean(data),
                np.std(data),
                np.max(data),
                np.min(data)
            ])

            # --- 【新增】频域特征 (FFT) ---
            # 1. 计算快速傅里叶变换
            fft_vals = fft(data)
            # 2. 计算频谱能量 (振幅的平方和)
            spectral_energy = np.sum(np.abs(fft_vals) ** 2)
            # 3. 提取主频率 (能量最大的频率点，假设采样率为1600Hz)
            freqs = np.fft.fftfreq(len(data), d=1 / 1600)
            pos_mask = freqs > 0  # 只看正频率
            dominant_freq = np.abs(freqs[pos_mask])[np.argmax(np.abs(fft_vals[pos_mask]))]

            row_features.extend([spectral_energy, dominant_freq])

        features.append(row_features)
        labels.append(window['label'].iloc[0])

    # 【更新】增加频域特征的列名
    feature_df = pd.DataFrame(features, columns=[
        'x_mean', 'x_std', 'x_max', 'x_min', 'x_fft_energy', 'x_fft_freq',
        'y_mean', 'y_std', 'y_max', 'y_min', 'y_fft_energy', 'y_fft_freq',
        'z_mean', 'z_std', 'z_max', 'z_min', 'z_fft_energy', 'z_fft_freq'
    ])
    feature_df['label'] = labels
    return feature_df


# ================= 3. 主程序 =================
if __name__ == "__main__":
    # 替换为你标准化后的数据路径
    file_path = '江淮试验场路面识别数据集_标准化后.xlsx'

    # 1. 加载数据
    raw_data = load_and_merge_data(file_path)

    # 2. 提取特征 (2秒窗口，1秒步长重叠)
    feature_data = extract_features(raw_data, window_size=3200, step_size=1600)
    print(f"特征提取完成，生成样本数: {len(feature_data)}")

    # 3. 划分特征 (X) 和 标签 (y)
    X = feature_data.drop('label', axis=1)
    y = feature_data['label']

    # 把中文标签转换成数字（0, 1, 2...）
    le = LabelEncoder()
    y_encoded = le.fit_transform(y)

    print("标签映射关系：", dict(zip(le.classes_, le.transform(le.classes_))))

    # 4. 划分训练集和测试集 (80%训练，20%测试)
    X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42,
                                                        stratify=y_encoded)

    # 5. 【升级】XGBoost 自动调参训练
    print("开始 XGBoost 自动调参训练 (这可能需要几分钟，请耐心等待)...")

    base_model = xgb.XGBClassifier(
        objective='multi:softmax',
        num_class=len(le.classes_),
        eval_metric='mlogloss',
        use_label_encoder=False,
        random_state=42
    )

    # 定义要搜索的参数网格（让程序自己找最优组合）
    param_grid = {
        'max_depth': [6, 8, 10],
        'learning_rate': [0.05, 0.1],
        'n_estimators': [100, 150]
    }

    # 执行网格搜索（cv=3表示3折交叉验证，n_jobs=-1表示使用所有CPU核心加速）
    grid_search = GridSearchCV(
        estimator=base_model,
        param_grid=param_grid,
        scoring='accuracy',
        cv=3,
        verbose=1,
        n_jobs=-1
    )

    grid_search.fit(X_train, y_train)

    # 获取最佳模型
    best_model = grid_search.best_estimator_
    print(f"找到最佳参数组合: {grid_search.best_params_}")

    # 6. 预测与评估
    y_pred_encoded = best_model.predict(X_test)

    # 把预测的数字标签还原成中文标签
    y_pred = le.inverse_transform(y_pred_encoded)
    y_test_original = le.inverse_transform(y_test)

    print("\n================ 评估结果 ================")
    print(f"准确率 (Accuracy): {accuracy_score(y_test_original, y_pred):.4f}")
    print("\n分类报告 (Classification Report):")
    print(classification_report(y_test_original, y_pred, zero_division=0))

    # 7. 绘制混淆矩阵
    cm = confusion_matrix(y_test_original, y_pred, labels=le.classes_)
    plt.figure(figsize=(12, 10))
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
                xticklabels=le.classes_, yticklabels=le.classes_)
    plt.title('Confusion Matrix')
    plt.xlabel('Predicted Label')
    plt.ylabel('True Label')
    plt.show()

结果：

python 复制代码

================ 评估结果 ================
准确率 (Accuracy): 0.7921

分类报告 (Classification Report):
              precision    recall  f1-score   support

       沥青-11       0.71      0.83      0.77         6
       沥青-12       0.60      0.60      0.60         5
       沥青-13       0.50      0.67      0.57         6
       沥青-14       0.67      0.50      0.57         4
       沥青-21       1.00      0.86      0.92         7
       沥青-22       1.00      0.86      0.92         7
       沥青-23       0.88      1.00      0.93         7
       沥青-24       0.75      0.86      0.80         7
       沥青-31       0.88      1.00      0.93         7
       沥青-32       0.67      0.57      0.62         7
       沥青-33       0.80      0.89      0.84         9
       沥青-34       0.75      0.75      0.75         8
       湿滑-11       1.00      1.00      1.00         1
       湿滑-12       0.50      0.50      0.50         2
       湿滑-21       1.00      1.00      1.00         1
       湿滑-22       1.00      0.50      0.67         2
       湿滑-31       0.00      0.00      0.00         1
       湿滑-32       1.00      0.50      0.67         2
       湿滑-41       1.00      1.00      1.00        10
       湿滑-42       0.50      0.50      0.50         2

    accuracy                           0.79       101
   macro avg       0.76      0.72      0.73       101
weighted avg       0.80      0.79      0.79       101


进程已结束，退出代码为 0

改为五折交叉验证：cv=5

运行结果：

python 复制代码

找到最佳参数组合: {'learning_rate': 0.1, 'max_depth': 6, 'n_estimators': 150}

================ 评估结果 ================
准确率 (Accuracy): 0.8119

分类报告 (Classification Report):
              precision    recall  f1-score   support

       沥青-11       0.71      0.83      0.77         6
       沥青-12       0.60      0.60      0.60         5
       沥青-13       0.50      0.67      0.57         6
       沥青-14       0.67      0.50      0.57         4
       沥青-21       1.00      0.86      0.92         7
       沥青-22       1.00      0.86      0.92         7
       沥青-23       1.00      1.00      1.00         7
       沥青-24       0.78      1.00      0.88         7
       沥青-31       0.88      1.00      0.93         7
       沥青-32       0.67      0.57      0.62         7
       沥青-33       0.80      0.89      0.84         9
       沥青-34       0.75      0.75      0.75         8
       湿滑-11       1.00      1.00      1.00         1
       湿滑-12       0.50      0.50      0.50         2
       湿滑-21       1.00      1.00      1.00         1
       湿滑-22       1.00      0.50      0.67         2
       湿滑-31       1.00      1.00      1.00         1
       湿滑-32       1.00      0.50      0.67         2
       湿滑-41       1.00      1.00      1.00        10
       湿滑-42       1.00      0.50      0.67         2

    accuracy                           0.81       101
   macro avg       0.84      0.78      0.79       101
weighted avg       0.83      0.81      0.81       101


进程已结束，退出代码为 0