时间戳

首页 > 解决方案 > 计算 CNN 中的假阳性率 (FPR) 和真阳性率 (TPR)

keras - 计算 CNN 中的假阳性率 (FPR) 和真阳性率 (TPR)

问题描述

我正在设计一个用于分类两种图像的 CNN，我需要计算 FPR 和 TPR。

在下面，您可以看到我的代码，但我不知道如何根据此代码计算 FPR 和 TPR。你能否让我知道我该怎么做。我知道计算 FPR 和 TPR 我可以使用以下代码

fpr, tpr, thresholds = metrics.roc_curve(y_test, y_predic)

而 y_predict 可以通过计算y_predic = model.predict(x_test)

但在我的代码中，我不知道该怎么做。如果您能帮助我，我将不胜感激。

num_classes = 1
batch_size = 512
epoch = 100

model = Sequential()

model.add(Conv2D(filters=8, kernel_size=(3, 3), padding='Valid', activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.3))

model.add(Conv2D(filters=8, kernel_size=(3, 3), padding='Same', activation='relu'))
model.add(Dropout(rate=0.3))

model.add(Conv2D(filters=16, kernel_size=(3, 3), padding='Same',activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.3))

model.add(Flatten())


model.add(Dense(units=128, activation='relu'))

model.add(Dense(units=num_classes, activation='sigmoid'))

model.compile(optimizer='adam', loss=keras.losses.binary_crossentropy, metrics=['accuracy'])
print(model.summary())

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2)


test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('D:/Data/CNN/train',
                                                 target_size = (64, 64),
                                                 batch_size = batch_size,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('D:/Data/CNN/test',
                                            target_size = (64, 64),
                                            batch_size = batch_size,
                                            class_mode = 'binary', shuffle= True)


history = model.fit_generator(training_set,
                             steps_per_epoch = 4000//batch_size,
                             epochs = epoch,
                             verbose= 2,
                             validation_data = test_set,
                             validation_steps = 1000//batch_size)

标签： kerasconv-neural-network

解决方案

您keras.metrics几乎可以按原样使用。它同时具有 FPR、TPR 和SensitivityAtSpecificity

model.compile(optimizer='adam', loss=keras.losses.binary_crossentropy, metrics=['accuracy', tf.keras.metrics.SensitivityAtSpecificity(0.5)])

但是keras模型只支持keras.metrics，所以tf.metrics不写自定义指标就不能使用

https://www.tensorflow.org/api_docs/python/tf/keras/metrics

推荐阅读