如何使用 CNN (Keras) 计算多类的一对一 ROC答案

【问题标题】：How to calculate one vs. one ROC for multiclass using CNN (Keras)如何使用 CNN (Keras) 计算多类的一对一 ROC
【发布时间】：2021-03-15 01:04:48
【问题描述】：

我正在尝试获得 10 节课的 ROC。我使用了 CNN 模型（keras）。我能够得到一对休息曲线，但我想得到一对一。以下是我的代码的sn-p。

model.compile(optimizer=keras.optimizers.Adam(0.001),
          loss='categorical_crossentropy',
          metrics=['acc'])


   from keras.callbacks import History
history = History()

model.fit_generator(generator=train_generator, callbacks= [history],
                validation_data=valid_generator,epochs=10)

score = model.evaluate_generator(test_generator)

x, y = test_generator.next()
prediction = model.predict(x)

predict_label1 = np.argmax(prediction, 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()

此代码生成一个 vs 静止曲线但是我想得到这样的曲线picture 可以这样做吗？我们将不胜感激。

【问题讨论】：

您提到的“一对一”ROC 曲线是否适用于一个绘图中的多个一对一 ROC 曲线？
据我所知，ROC曲线是为了找到两个类的阈值，而one vs all方法将所有其他类视为一个类。
@krenrd 我想要上面附图中的图片。

标签： python keras conv-neural-network roc auc

【解决方案1】：

您发布的图说明了多个 1 与 REST ROC 曲线的图。蓝色图是 0class vs rest，红色图是 1 class vs rest，绿色图表示 2 class vs rest。

ROC 曲线根据各种阈值绘制精度/召回率，并帮助找到它们之间的权衡。由于不能在 3 个以上的类中定义阈值，因此我们采用 one vs rest 方法来启用 ROC 曲线的使用。

我相信您可以查看一些关于 ROC 曲线、精确率/召回率和 f1 分数概念的博客。

【讨论】：

因此，要生成您引用的图片，您必须同时绘制每个类别的多条“one vs rest”ROC 曲线。