Python 3.x 如何在CNN Keras模型中创建ROC、FAR、FRR？

我正在做我的最后一个项目，CNN人脸识别，我是这个领域的新手，正在寻求建议

我已经在Keras建立了CNN模型，并在Faces94上进行了训练，我的准确率达到了90.97%

现在，我正在尝试绘制CRO，FAR，FRR

我试过很多代码，但都不管用。你能帮帮我吗

PFB我的代码：

导入keras
从keras导入后端为K
导入操作系统
从keras.layers.advanced_激活导入LeakyReLU
来自未来导入打印功能
从keras.dataset导入mnist
将matplotlib.pylab作为plt导入
从导入lib导入重新加载
def set_keras_后端（后端）：
如果K.backend（）！=后端：
os.environ['KERAS_BACKEND']=后端
重新加载（K）
断言K.backend（）==后端
设置keras后端（“tensorflow”）
DATA=joblib.load（打开（'DATA.sav'，'rb'））
LABEL=joblib.load（打开（'Lable.sav'，'rb'））
打印（DATA.shape）
打印（标签.形状）
打印（tf.\U版本\U）
X_序列，X_测试，y_序列，y_测试=序列测试分割（数据，标签，测试大小=0.30，随机状态=45）
打印（X_列形状）
打印（X_测试形状）
打印（y_列形状）
打印（y_测试形状）
打印（X_列[0]）
X_列=np.整形（X_列，（X_列形状[0]，200180,1））
X_检验=np.重塑（X_检验，（X_检验.形状[0]，200180,1））
#将数据从二进制转换为浮点
X_-train=X_-train.astype（'float32'）
X_test=X_test.astype（'float32'）
X_列/=255
X_检验/=255
模型=顺序（）
add（Conv2D（32，内核大小=（5,5），步长=（1,1），
激活='relu'，
输入_形=（[200180,1]））
模型添加（LeakyReLU（α=0.1））
model.add（MaxPoolig2D（池大小=（2,2）））
#添加另一个2D卷积层和2D max池层，具有64个输出通道
model.add（Conv2D（64，（5,5），activation='relu'））
模型添加（LeakyReLU（α=0.1））
model.add（MaxPoolig2D（池大小=（2,2）））
#添加另一个2D卷积层和2D max池层，具有128个输出通道
model.add（Conv2D（128，（5,5），activation='relu'））
模型添加（LeakyReLU（α=0.1））
model.add（MaxPoolig2D（池大小=（2,2）））
模型。添加（辍学率（0.30））
model.add（展平（））
model.add（密集（1000，activation='relu'））
模型。添加（辍学率（0.5））
model.add（密集型（72，activation='softmax'））
#在编译模型时，我们声明loss函数和优化器
compile（loss=keras.loss.categorical_crossentropy，optimizer=keras.optimizers.Adam（），metrics=['accurity']））
#训练模型
hist=model.fit（X_序列，Y_序列，批量大小=32，历次=12，详细=1，验证数据=（X_测试，Y_测试））
分数=模型。评估（X_检验，Y_检验，详细度=0）
打印（“%s:%.2f%%”%（“准确性”，分数[1]*100））

当然！有一个为AUC计算发布的代码片段，但您可以修改它以获得FRR和FAR（）。 为了存储计算值，您可以实现一些并在最后绘制它们

# AUC for a binary classifier

def auc(y_true, y_pred):
    ptas = tf.stack([binary_PTA(y_true,y_pred,k) for k in np.linspace(0, 1, 1000)],axis=0)
    pfas = tf.stack([binary_PFA(y_true,y_pred,k) for k in np.linspace(0, 1, 1000)],axis=0)
    pfas = tf.concat([tf.ones((1,)) ,pfas],axis=0)
    binSizes = -(pfas[1:]-pfas[:-1])
    s = ptas*binSizes
    return K.sum(s, axis=0)

# PFA, prob false alert for binary classifier
def binary_PFA(y_true, y_pred, threshold=K.variable(value=0.5)):
    y_pred = K.cast(y_pred >= threshold, 'float32')
    # N = total number of negative labels
    N = K.sum(1 - y_true)
    # FP = total number of false alerts, alerts from the negative class labels
    FP = K.sum(y_pred - y_pred * y_true)
    return FP/N

# P_TA prob true alerts for binary classifier
def binary_PTA(y_true, y_pred, threshold=K.variable(value=0.5)):
    y_pred = K.cast(y_pred >= threshold, 'float32')
    # P = total number of positive labels
    P = K.sum(y_true)
    # TP = total number of correct alerts, alerts from the positive class labels
    TP = K.sum(y_pred * y_true)
    return TP/P