Tensorflow 多类分类的错误ROC曲线

我训练了一名CNN，将图像分为5类。但是，当我试图绘制每个类别相对于其他类别的

ROC

曲线时，所有5个类别几乎都有一条对角线曲线，其

AUC

约为0.5。我不知道出了什么问题

该模型的准确率应该在86%左右

代码如下：

import os, shutil
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from tensorflow.keras import models, layers, optimizers
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from sklearn.metrics import plot_confusion_matrix, accuracy_score
from sklearn.metrics import roc_curve, auc, roc_auc_score, RocCurveDisplay
from sklearn.preprocessing import label_binarize
import random

model = tf.keras.models.load_model('G:/Myxoid lesion/Myxoid_EN3_finetune4b')

model.summary()

data_dir='G:/Myxoid lesion/Test/'

batch_size = 64
img_height = 300
img_width = 300

test_ds = tf.keras.preprocessing.image_dataset_from_directory(
  data_dir,
  seed = 123,
  image_size=(img_height, img_width),
  batch_size=batch_size)

model.compile(optimizer = optimizers.Adam(lr=0.00002),
              loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics = ['sparse_categorical_accuracy'])

correct =  np.array([], dtype='int32')

# Get the labels of test_ds
for x, y in test_ds:
    correct = np.concatenate([correct, y.numpy()])

# Get the prediction probabilities for each class for each test image
prediction_prob = tf.nn.softmax(model.predict(test_ds))

num_class = 5
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(num_class):
    fpr[i], tpr[i], _ = roc_curve(correct, prediction_prob[:,i], pos_label=i)
    roc_auc[i] = auc(fpr[i], tpr[i])

plt.figure()
lw = 2
for i in range(num_class):
    plt.plot(fpr[i],tpr[i],
             color=(random.random(),random.random(),random.random()),
             label='{0} (AUC = {1:0.2f})'''.format(labels[i], roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=lw)
plt.legend(loc="lower right")
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')

plt.title('ROC analysis')

plt.show()

“预测概率”变量包含：

array([[6.3877934e-09, 6.3617526e-06, 5.5736535e-07, 4.9789862e-05,
        9.9994326e-01],
       [6.5260068e-08, 8.8882577e-03, 3.9350948e-06, 9.9110776e-01,
        4.0252076e-11],
       [2.7514220e-04, 2.9315910e-05, 1.6688553e-04, 9.9952865e-01,
        3.5938730e-10],
       ...,
       [1.1131389e-09, 9.8325908e-01, 3.4283744e-06, 1.6737511e-02,
        7.3243338e-12],
       [1.4697845e-08, 4.7125661e-05, 1.4077022e-03, 6.4052530e-02,
        9.3449265e-01],
       [9.9999940e-01, 1.3071107e-07, 4.3149896e-07, 4.7902233e-08,
        9.2861301e-09]], dtype=float32)>

“correct”变量包含每个测试图像的正确标签：

array([0, 1, 4, ..., 4, 2, 4])

我想我遵循了

scikit-learn

网站上提到的内容

生成的tpr[i]和fpr[i]变量变为线性相关，因此AUC变为0.5

我认为在生成tpr[I]和fpr[I]时存在问题？有人能解决这个问题吗

---

谢谢

如果我以这种方式生成标签和预测，那么我可以得到正确的ROC曲线：

prediction_prob = np.array([]).reshape(0,5)
correct =  np.array([], dtype='int32')

for x, y in test_ds:
    correct = np.concatenate([correct, y.numpy()])
    prediction_prob = np.vstack([prediction_prob, tf.nn.softmax(model.predict(x))])

但是，如果我从model.predict（testds）中得到预测，那么预测的顺序与原始数据集不同，因此它与原始标签不匹配。我不确定这是否是tensorflow中的“bug”，或者对此有其他解释

此外，我无法获得微平均值（尽管这对我的目标并不重要）

它给出了以下错误：

raise ValueError("{0} format is not supported".format(y_type))
ValueError: multiclass format is not supported

---

代码应该没问题。。仅查看您的输出中的概率和真实标签，它们并不相符，您可以使用混淆矩阵进行检查吗？似乎model.predict将给出与原始测试不同顺序的结果。如果我在测试中使用prediction=np.array（[]）表示x，y，则测试中的x:prediction=np.concatenate（[prediction，tf.nn.softmax（model.predict（x）））它将返回：ValueError：所有输入数组必须具有相同的维度数，但索引0处的数组具有1个维度，而索引1处的数组具有2个维度。是否有方法获取测试的标签？我在测试中使用：for x，y\u ds:correct=np.concatenate（[correct，y.numpy（）]）@StupidWolf，混淆是可以的。当我生成如下的预测和标签时：对于测试中的x，y，ds:prediction=np.concatenate（[prediction，np.argmax（tf.nn.softmax（model.predict（x）），axis=-1）]）correct=np.concatenate（[correct，y.numpy（））

raise ValueError("{0} format is not supported".format(y_type))
ValueError: multiclass format is not supported