我有一个多类别（7个标签）的分类问题，使用多层感知机（MLP）实现。我试图根据一些数据对7种癌症进行分类。整体准确率相当低，约为58%。然而，在不同的参数设置下，某些癌症的分类准确率约为90%。下文中，癌症1、2、3等代表不同类型的癌症，例如1=乳腺癌，2=肺癌等。现在，对于不同的参数设置，我得到了不同的分类准确率。例如，
1. 超参数
learning_rate = 0.001 training_epochs = 10 batch_size = 100 hidden_size = 256 #整体准确率53%，癌症2准确率91%，癌症5准确率88%，癌症6准确率89%2. 超参数
learning_rate = 0.01 training_epochs = 30 batch_size = 100 hidden_size = 128 #整体准确率56%，癌症2准确率86%，癌症5准确率93%，癌症6准确率75%如您所见，对于不同的参数设置，我得到了完全不同的结果。癌症1、3、4、7的准确率非常低，因此我将它们排除在外。但癌症2、5、6的效果相对较好。然而，对于癌症6，结果根据参数设置的不同而有很大变化。
重要的一点是，这里整体准确率并不重要，但如果我能以超过90%的准确率分类2-3种癌症，这更重要。所以我的问题是，我该如何解读这些结果？在我的论文中，我应该如何展示这些结果？我应该展示/使用哪些参数设置？或者我应该为不同类型的癌症展示不同的参数设置？所以，基本上，如何处理这种情况？
回答：
数据不平衡？
你首先需要问自己的问题是，你的数据集是平衡的，还是存在数据不平衡？我指的是，你的训练和测试数据集中每个类别的实例有多少？
假设，例如，假设你数据集中90%的实例都是癌症2，其余10%分布在其他类别上。那么，你可以很容易地通过实现一个非常简单的分类器，将所有内容都分类为癌症2，从而获得90%的准确率。但这可能不是你想要的分类器结果。
结果解读
我建议报告混淆矩阵，而不是仅仅报告原始准确率数字。这将提供一些关于分类器将哪些类别混淆为哪些其他类别的信息，这可能很有趣（例如，如果不同类型的癌症经常被混淆，它们可能在某种程度上是相似的）。特别是如果你有数据不平衡，我还建议报告其他指标，如精确度和/或召回率，而不仅仅是准确率。
使用/展示哪些参数设置？
这取决于你真正想要解决的问题。每个类别的正确检测是否同样重要？如果是，那么整体准确率可能是最重要的指标。某些类别是否比其他类别更重要，需要准确检测？在这种情况下，你可能需要考虑“成本敏感分类”，其中不同的分类错误有不同的成本。如果你不知道（没有这个领域知识），我建议报告尽可能多的不同设置和指标。
