5.2 GRU Classification

範例程式：

時間序列不只可以預測下一個數值，也可以拿來分類。例如判斷設備運轉型態、使用者行為片段、感測器狀態或心電圖片段。本篇使用 GRU 建立三類序列分類模型，示範從序列資料到分類報告的完整流程。

1. 學習目標

本篇聚焦 sequence classification。每筆資料不是一列表格，而是一段固定長度的序列；模型要根據整段序列判斷它屬於哪一類。GRU 和 LSTM 類似，能處理時間前後關係，但參數較少，訓練速度通常也比較快。

2. 範例資料

Notebook 會產生三種序列型態：

increasing：整體往上移動。
periodic：週期震盪。
spike：中間出現尖峰。

每筆輸入 shape 為 (timesteps, features)，整批資料 shape 為 (samples, timesteps, features)，標籤則是三類整數。

3. 為什麼使用 GRU？

GRU 適合用在需要時間順序資訊，但又不想使用太大模型的情境。它能保留前面時間點的狀態，對趨勢、週期或事件片段都有基本建模能力。

4. 實作流程

Notebook 會建立合成序列資料，依 train/validation/test 切分後，只用訓練集統計量標準化。接著建立 GRU 分類模型，用 sparse_categorical_crossentropy 訓練，最後用 accuracy、confusion matrix 與 classification report 評估。

5. 如何套用自己的資料？

換成自己的資料時，先把每個樣本整理成固定長度片段。例如每 60 秒感測器資料是一筆樣本，或每 100 個時間點是一筆行為片段。若原始序列長度不同，可使用 padding、裁切或滑動視窗。分類任務的最後一層神經元數量等於類別數。

6. 小結

GRU classification 適合建立時間序列分類 baseline。只要能把資料整理成 (samples, timesteps, features)，就能沿用本篇流程到設備狀態、行為模式、訊號片段或其他序列分類任務。