这篇教程Tensorflow2.0之绘图：分类问题的准确率、精确率、召回率、ROC曲线以及曲线下面积写得很实用，希望能帮到您。
文章目录原文链接：https://blog.csdn.net/qq_36758914/article/details/104775509
准确率、精确率、召回率、ROC曲线的定义
用Tensorflow2.0绘制相关曲线
建模时设置METRICS
定义损失曲线、AUC曲线、精确率曲线以及召回率曲线函数
定义ROC曲线函数
预测训练集和测试集
ROC曲线
定义混淆矩阵函数
绘制混淆矩阵
准确率、精确率、召回率、ROC曲线的定义
阳性与阴性
准确率
精确率与召回率
ROC 和曲线下面积
用Tensorflow2.0绘制相关曲线
建模时设置METRICS
METRICS = [
keras.metrics.TruePositives(name='tp'),
keras.metrics.FalsePositives(name='fp'),
keras.metrics.TrueNegatives(name='tn'),
keras.metrics.FalseNegatives(name='fn'),
keras.metrics.BinaryAccuracy(name='accuracy'),
keras.metrics.Precision(name='precision'),
keras.metrics.Recall(name='recall'),
keras.metrics.AUC(name='auc'),
]
model = keras.Sequential([
keras.layers.Dense(16, activation='relu', input_shape=(train_features.shape[-1],)),
keras.layers.Dropout(0.5),
keras.layers.Dense(1, activation='sigmoid')
])
model.compile(
optimizer=keras.optimizers.Adam(lr=1e-3),
loss=keras.losses.BinaryCrossentropy(),
metrics=METRICS)
history = model.fit(
train_features,
train_labels,
batch_size=BATCH_SIZE,
epochs=EPOCHS,
validation_data=(val_features, val_labels))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
定义损失曲线、AUC曲线、精确率曲线以及召回率曲线函数
def plot_metrics(history):
metrics = ['loss', 'auc', 'precision', 'recall']
for n, metric in enumerate(metrics):
name = metric
plt.subplot(2,2,n+1)
plt.plot(history.epoch, history.history[metric], color=colors[0], label='Train')
plt.plot(history.epoch, history.history['val_'+metric],
color=colors[0], linestyle="--", label='Val')
plt.xlabel('Epoch')
plt.ylabel(name)
if metric == 'loss':
plt.ylim([0, plt.ylim()[1]])
elif metric == 'auc':
plt.ylim([0.8,1])
else:
plt.ylim([0,1])
plt.legend()
plot_metrics(history)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
在这里插入图片描述
定义ROC曲线函数
def plot_roc(name, labels, predictions, **kwargs):
fp, tp, _ = sklearn.metrics.roc_curve(labels, predictions)
plt.plot(100*fp, 100*tp, label=name, linewidth=2, **kwargs)
plt.xlabel('False positives [%]')
plt.ylabel('True positives [%]')
plt.xlim([-0.5,20])
plt.ylim([80,100.5])
plt.grid(True)
ax = plt.gca()
ax.set_aspect('equal')
1
2
3
4
5
6
7
8
9
10
11
预测训练集和测试集
train_predictions = model.predict(train_features, batch_size=BATCH_SIZE)
test_predictions = model.predict(test_features, batch_size=BATCH_SIZE)
1
2
ROC曲线
plot_roc("Train Baseline", train_labels, train_predictions, color=colors[0])
plot_roc("Test Baseline", test_labels, test_predictions, color=colors[0], linestyle='--')
plt.legend(loc='lower right')
1
2
3
在这里插入图片描述
定义混淆矩阵函数
def plot_cm(labels, predictions, p=0.5):
cm = confusion_matrix(labels, predictions > p)
plt.figure(figsize=(5,5))
sns.heatmap(cm, annot=True, fmt="d")
plt.title('Confusion matrix @{:.2f}'.format(p))
plt.ylabel('Actual label')
plt.xlabel('Predicted label')
1
2
3
4
5
6
7
绘制混淆矩阵
plot_cm(test_labels, test_predictions)
1
在这里插入图片描述
————————————————
版权声明：本文为CSDN博主「cofisher」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_36758914/article/details/104775509
返回列表
出现Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR错误的解决办法dnn_rnn_ops.cc:1510 : Unknown: Fa |
