Блог

Главная - Вопросы по программированию - Вычисление ROC и AUC в Keras для набора данных test_generator. (Двоичная классификация)

Вычисление ROC и AUC в Keras для набора данных test_generator. (Двоичная классификация)

#python #machine-learning #keras #roc #auc

#python #машинное обучение #keras #ОКР #auc

Вопрос:

Как я могу вычислить ROC и AUC в Keras, используя набор данных test_generator? Посмотрите коды, которые я написал, но не вижу ни одной кривой, нанесенной на график, и я хотел бы вычислить кривую на основе всех наборов данных в наборе данных Test_Dataset для двоичной классификации. Я попытался применить некоторые коды из StackOverflow, но это не сработало и не вычисляло то, что я хотел. Я новичок в машинном обучении. Спасибо.

 from tensorflow.keras.models import load_model
from sklearn import metrics 
import matplotlib.pyplot as plt 
from skimage.transform import rescale,resize 
import numpy as np `from tensorflow.keras.preprocessing.image import ImageDataGenerator

img_datagen = ImageDataGenerator(rescale=1/255)

test_generator = img_datagen.flow_from_directory(
        'Test_Dataset',  # This is the source directory for testing images
        target_size=(150, 150),  # All images will be resized to 150 x 150
        batch_size=51,
        # Specify the classes explicitly
        classes = ['BAPL_0_1', 'BAPL_2_3'],
        # Since we use categorical_crossentropy loss, we need categorical labels
        class_mode='categorical')

 X,y = test_generator.next() 
 X.shape

 pred_prob1 = model.predict(X)
 predict_label1 = np.argmax(pred_prob1, axis=-1)
 true_label1 = np.argmax(y, axis=-1)

 y = np.array(true_label1)
 scores = np.array(predict_label1)

 fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=9)
 roc_auc = metrics.auc(fpr, tpr)
 plt.figure()

 lw = 2
 plt.plot(fpr, tpr, color='darkorange',
 lw=lw, label='ROC curve (area = %0.2f)' % roc_auc)
 plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
 plt.xlim([0.0, 1.0])
 plt.ylim([0.0, 1.05])
 plt.xlabel('False Positive Rate')
 plt.ylabel('True Positive Rate')
 plt.title('Receiver operating characteristic (ROC)')
 plt.legend(loc="lower right")
 plt.show()

Вот модель, разработанная с использованием Keras, и модель была обучена подкатегориям в каждом классе, имеющим 51 изображение для каждой папки в классе, вы можете увидеть в Test_Dataset .

Test_Dataset здесь

Метки: