Python 如何根据这些数据绘制ROC曲线？

我使用Keras训练了一个卷积神经网络（CNN），并进行了以下操作，以确定测试数据集的准确性：

for root, dirs, files in os.walk(test_directory):
    for file in files:
        img = cv2.imread(root + '/' + file)
        img = cv2.resize(img,(512,512),interpolation=cv2.INTER_AREA)
        img = np.expand_dims(img, axis=0)
        img = img/255.0
        if os.path.basename(root) == 'nevus':
            label = 1
        elif os.path.basename(root) == 'melanoma':
            label = 0
        img_class = model.predict_classes(img)
        prediction = img_class[0]
        if prediction == label:
            correct_classification = correct_classification + 1
        print 'This is the prediction: '
        print prediction
        number_of_test_images = number_of_test_images + 1

print 'correct results:'
print correct_classification

print 'number of test images'
print number_of_test_images

print 'Accuray:'
print number_of_test_images/correct_classification * 100

在测试数据集上测试模型，有没有办法找到ROC曲线

---

谢谢。

ROC曲线只是一条曲线，在不同的概率阈值下绘制TP（真阳性）和FP（假阳性）。因此，如果这是一个二进制分类问题，那么您可以简单地更改测试数据集预测的概率阈值，并获得TP-FP比率。基本上创建一个包含三列的表：

[Prob Threshold，TP，FP]

并绘制该表。您需要使用

模型。预测概率（…）

按类获取概率，然后使用该模型创建ROC曲线

---

对于多类，它变得有点棘手。不过你有一些选择。您可以为每个类绘制ROC曲线（一对多的情况），基本上将主要类与所有其他类进行二值化。或者，对于多类，您可以按照sklean的方法创建微观平均ROC曲线或宏观平均ROC曲线。

ROC曲线只是一条曲线，在不同的概率阈值下绘制TP（真阳性）与FP（假阳性）。因此，如果这是一个二进制分类问题，那么您可以简单地更改测试数据集预测的概率阈值，并获得TP-FP比率。基本上创建一个包含三列的表：

[Prob Threshold，TP，FP]

并绘制该表。您需要使用

模型。预测概率（…）

按类获取概率，然后使用该模型创建ROC曲线

对于多类，它变得有点棘手。不过你有一些选择。您可以为每个类绘制ROC曲线（一对多的情况），基本上将主要类与所有其他类进行二值化。或者，对于多类，您可以执行sklean的操作，创建微观平均ROC曲线或宏观平均ROC曲线。

可能重复的