我在keras中的CNN代碼如下：from keras.models import Sequentialfrom keras.layers import Convolution2Dfrom keras.layers import MaxPooling2Dfrom keras.layers import Flattenfrom keras.layers import Densefrom keras.layers import Dropoutclassifier = Sequential()#1st Conv layerclassifier.add(Convolution2D(64, (9, 9), input_shape=(64, 64, 3), activation='relu'))classifier.add(MaxPooling2D(pool_size=(4,4)))#2nd Conv layerclassifier.add(Convolution2D(32, (3, 3), activation='relu'))classifier.add(MaxPooling2D(pool_size=(2,2)))#Flatteningclassifier.add(Flatten())# Step 4 - Full connectionclassifier.add(Dense(units = 128, activation = 'relu'))classifier.add(Dropout(0.1))classifier.add(Dense(units = 128, activation = 'relu'))classifier.add(Dropout(0.2))classifier.add(Dense(units = 128, activation = 'relu'))classifier.add(Dense(units = 2, activation = 'softmax'))classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])#Fitting datasetfrom keras.preprocessing.image import ImageDataGeneratortrain_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True)test_datagen = ImageDataGenerator(rescale = 1./255)training_set = train_datagen.flow_from_directory('dataset/training_set', target_size = (64, 64), batch_size = 32, class_mode = 'categorical')test_set = test_datagen.flow_from_directory('dataset/test_set', target_size = (64, 64), batch_size = 32, class_mode = 'categorical')無論我在哪里看到 sklearn.metrics 中使用 roc_curve，它都需要 x_train、y_train、x_test、y_test 等參數，我知道這些參數可以是 pandas DataFrames，但在我的情況下并非如此。如何繪制 ROC 曲線并獲得用于 CNN 模型訓練的 AUC 分數？
3 回答
嚕嚕噠
TA貢獻1784條經驗 獲得超7個贊
我讓它工作了。我所要做的就是將獲得的 preds 的數據類型preds = classifier.predict(test_set)與我獲得的 true_labels 相匹配labels = test_set。Preds 基本上是一個 numpy.ndarray 包含具有 np.float32 值的單個元素列表。將標簽轉換為相同的格式和形狀使 roc_curve 正常工作。
此外，我必須添加第三個變量閾值，fpr, tpr, threshold = roc_curve(true_labels, preds)因此不會彈出 ValueError: too many values to unpack 錯誤。
藍山帝景
TA貢獻1843條經驗 獲得超7個贊
實際上，如果查看 sklearn.metrics.roc_curve 的文檔（以及幾乎每個 sklearn 指標），他們不會將模型（圖像）的輸入作為參數，它只需要真實標簽和預測標簽。因此，在您對測試集進行推斷之后，在 keras 中（這里我只是猜測）類似于
preds = classifier.predict(batch)
您將 roc_curve 稱為
fpr, tpr = roc_curve(true_labels,preds)
可能你必須改變類型，因為它們是張量。
編輯：我已經檢查了 keras 文檔flow_from_directory并產生了一個迭代器，(x,y) = (images,labels)所以如果你想做某種訓練后分析，你應該使用這樣的東西來獲取標簽：
labels = [] for _,y in test_set: labels.extend(list(y))
如果您只有兩個類，請將 class_mode 更改為binary
阿晨1998
TA貢獻2037條經驗 獲得超6個贊
要計算 ROC AUC，您需要分數，而不是最終分類/決策的結果。
classifier.add(Dense(units = 2, activation = 'softmax'))由于您的模型有一個以兩個神經元( 所以，你不能將它與 softmax 一起使用。
您可以用一個神經元和 sigmoid 替換您的 2 個神經元和 softmax。然后，roc_curve在二元分類問題中使用是安全的。
還有另一個名為roc_auc_score的函數，它具有multi_class將多類分類問題轉換為多個二元問題的參數。例如，auc_roc = roc_auc_score(labels, classifier.predict(...), multi_class='ovr')。但是，這只會返回 AUC 分數，它不能幫助您繪制 ROC 曲線。
添加回答
舉報
0/150
提交
取消