我试图了解如何为我的多标签分类问题制作混淆矩阵和ROC曲线。我正在建立一个神经网络。 以下是我的课程:
mlb = MultiLabelBinarizer()
ohe = mlb.fit_transform(as_list)
# loop over each of the possible class labels and show them
for (i, label) in enumerate(mlb.classes_):
print("{}. {}".format(i + 1, label))
[INFO] class labels:
1. class1
2. class2
3. class3
4. class4
5. class5
6. class6
我的标签被转换为:
ohe
array([[0, 1, 0, 0, 1, 1],
[0, 1, 1, 1, 1, 0],
[1, 1, 1, 0, 1, 0],
[0, 1, 1, 1, 0, 1],...]]
培训数据:
array([[[[ 1.93965047e+04, 8.49532852e-01],
[ 1.93965047e+04, 8.49463479e-01],
[ 1.93965047e+04, 8.49474722e-01],
...,
型号:
model.compile(loss="binary_crossentropy", optimizer=opt,metrics=["accuracy"])
H = model.fit(trainX, trainY, batch_size=BS,
validation_data=(testX, testY),
epochs=EPOCHS, verbose=1)
我能得到样本,但我对如何计算混淆矩阵或ROC曲线,或如何得到分类报告有点一无所知。。 以下是一些箴言:
proba = model.predict(testX)
idxs = np.argsort(proba)[::-1][:2]
for i in proba:
print ('\n')
for (label, p) in zip(mlb.classes_, i):
print("{}: {:.2f}%".format(label, p * 100))
class1: 69.41%
class2: 76.41%
class3: 58.02%
class4: 63.97%
class5: 48.91%
class6: 58.28%
class1: 69.37%
class2: 76.42%
class3: 58.01%
class4: 63.92%
class5: 48.88%
class6: 58.26%
如果有人对如何做这件事有一些建议或一个例子,我会非常感激!提前谢谢你
从v0.21开始,scikit学习包括一个多标签混淆矩阵;将来自docs的示例改编为5个类:
通常的
classification_report
也可以正常工作:关于ROC,您可以从文档中的Plot ROC curves for the multilabel problem示例中获得一些想法(但不太确定这个概念本身是否非常有用)
混淆矩阵和分类报告需要硬分类预测(如示例所示);ROC要求预测为概率
要将概率预测转换为硬类,需要一个阈值。现在,通常(隐式地)该阈值被取为0.5,即如果
y_pred > 0.5
,则预测1,否则预测0。然而,情况并非总是如此,这取决于具体问题。一旦设置了这样一个阈值,您就可以轻松地将概率预测转换为具有列表理解的硬类;下面是一个简单的例子:相关问题 更多 >
编程相关推荐