我正在尝试获取我的神经网络的 ROC 曲线。我的网络使用 pytorch,我使用 sklearn 来获取 ROC 曲线。我的模型输出二进制对错以及输出的概率。
output = model(batch_X)
_, pred = torch.max(output, dim=1)
我给模型输入数据的两个样本(我做这部分是正确的还是应该只是输入数据的 1 个样本而不是两者?) 我采用概率( _ )和两个输入应该是什么的标签,然后像这样将其提供给 sklearn
nn_fpr, nn_tpr, nn_thresholds = roc_curve( "labels go here" , "probability go here" )
接下来我绘制它。
plt.plot(nn_fpr,nn_tpr,marker='.')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate' )
plt.show()
我的模型非常准确(108,000 个模型中有 0.0167% 是错误的),但我有一个凹形图,我被告知它通常不应该是凹形的。 (附图)
我使用神经网络已有一段时间了,但从未有人要求我绘制 ROC 曲线。所以我的问题是,我这样做对吗?也应该是两个标签还是一个标签?我见过的所有神经网络示例都使用 Keras,如果我没记错的话,它具有概率函数。因此我不知道 PyTorch 是否以 sklearn 想要的方式输出概率。对于我能找到的所有其他示例,它们都不是针对神经网络的,它们内置了概率函数。
最佳答案
函数roc_curve
expects带有真实标签 y_true
的数组和带有正类 y_score
概率的数组(通常表示第 1 类)。因此你需要的不是
_, pred = torch.max(output, dim=1)
但很简单(如果你的模型输出概率,这在 pytorch 中不是默认的)
probabilities = output[:, 1]
或者(如果你的模型输出 logits,这在 pytorch 中很常见)
import torch.nn.functional as F
probabilities = F.softmax(output, dim=1)[:, 1]
在那之后,假设带有真实标签的数组称为 labels
,并且具有形状 (N,)
,您将 roc_curve
称为:
y_score = probabilities.detach().numpy()
nn_fpr, nn_tpr, nn_thresholds = roc_curve(labels, y_score)
这样你会得到正确的结果( torch.max
不是这种情况)
作为建议——对于二元分类,我建议使用末端带有 sigmoid 的模型和一个输出(正类概率),例如:
model = nn.Sequential(nn.Linear(input_dim, hidden_dim),
nn.ReLU(),
nn.Linear(hidden_dim, 1),
nn.Sigmoid())
这样您就可以使用 nn.BCELoss
训练模型,它需要概率(不像 nn.CrossEntropyLoss
需要 logits)。获取 roc 曲线的代码也变得更简单:
probabilites = model(batch_X)
y_score = probabilites.squeeze(-1).detach().numpy()
fpr, tpr, threshold = roc_curve(labels, y_score)
看看gist其中为神经网络分类器创建的 ROC 曲线。
关于python - 如何获得神经网络的ROC曲线?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/71788074/