在Keras获得每班的精确度,召回率和F1分数

Question

我在Keras(2.1.5)中使用TensorFlow后端训练了一个神经网络,我还使用了keras-contrib(2.0.8)库来添加CRF层作为网络的输出.

我想知道在使用NN对测试集进行预测后,如何获得每个类的精度,召回率和f1分数.

Answer 1

假设您有一个函数get_model()可以构建与您训练的完全相同的模型，以及weights_path指向包含模型权重的 HDF5 文件的路径：

model = get_model()
model.load_weights(weights_path)

这应该正确加载您的模型。然后你只需要定义一个ImageDataGenerator你的测试数据并拟合模型以获得预测：

# Path to your folder testing data
testing_folder = ""
# Image size (set up the image size used for training)
img_size = 256
# Batch size (you should tune it based on your memory)
batch_size = 16

val_datagen = ImageDataGenerator(
    rescale=1. / 255)
validation_generator = val_datagen.flow_from_directory(
    testing_folder,
    target_size=(img_size, img_size),
    batch_size=batch_size,
    shuffle=False,
    class_mode='categorical')

然后，您可以使用以下model.predict_generator()方法使模型生成对整个数据集的所有预测：

# Number of steps corresponding to an epoch
steps = 100
predictions = model.predict_generator(validation_generator, steps=steps)

最后使用包中的metrics.confusion_matrix()方法创建一个混淆矩阵sklearn：

val_preds = np.argmax(predictions, axis=-1)
val_trues = validation_generator.classes
cm = metrics.confusion_matrix(val_trues, val_preds)

或者使用metrics.precision_recall_fscore_support()from 方法获取所有类的所有精度、召回率和 f1 分数sklearn（参数average=None输出所有类的度量）：

# label names
labels = validation_generator.class_indices.keys()
precisions, recall, f1_score, _ = metrics.precision_recall_fscore_support(val_trues, val_preds, labels=labels)

我还没有测试过，但我想这会对你有所帮助。