MATLAB对神经网络预测结果计算其各类评价指标及PR曲线和ROC曲线等的...

MATLAB对神经⽹络预测结果计算其各类评价指标及PR曲线和ROC曲线等的绘

制

MATLAB对神经⽹络预测结果计算其各类评价指标及PR曲线和ROC曲线等的绘制、阈值⾃动选取问题的解决

基于深度学习的图像处理预测结果，我们需要通过对预测结果计算各类评价指标以来评价模型好坏，通常的评价指标有precision（精确率）、accuracy（准确率）、recall（召回率）、F1指数，PR曲线、ROC曲线、AUC值，本⽂将给出matlab对预测结果的上⾯这些指标计算的实现，同时运⽤不同的阈值选取⽅法来对其结果进⾏对⽐，选取最适合的阈值选取⽅法。

⾸先是数据读取及各类指标的计算代码：

%unet预测结果的读取

list=dir(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\unet_valipredictout(3000)\valipredict3000\','*.png']);

k=length(list);

pre=zeros(400,400,k);

for i=1:1:k

pre(:,:,i)=imread(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\unet_valipredictout(3000)\valipredict3000\',list(i).name]);

end

precision=zeros(1,256);

recall=zeros(1,256);

FPR=zeros(1,256);

pre1=zeros(400,400,k);

%lebals

list=dir(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\0729test\labels\','*.png']);

k=length(list);

lab=zeros(400,400,k);

for i=1:1:k

lab(:,:,i)=imread(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\0729test\labels\',list(i).name]);

end

for j=0:1:255

%mid=zeros(400,400);

for i=1:1:k

pre1(:,:,i)=(pre(:,:,i)>=j);

pre1(:,:,i)=uint8(pre1(:,:,i));

end

% pre(:,:,1)=imread('predict\predict_cdeep\Segmented_0003.png');

% lab(:,:,1)=imread('predict\labels\cell_5_mask.tif');

% pre(:,:,2)=imread('predict\predict_cdeep\Segmented_0001.png');

% lab(:,:,2)=imread('predict\labels\cell_15_mask.tif');

% pre(:,:,3)=imread('predict\predict_cdeep\Segmented_0002.png');

% lab(:,:,3)=imread('predict\labels\cell_26_mask.tif');

% pre(:,:,1)=im2bw(pre(:,:,1),0.196);

% pre(:,:,1)=uint8(pre(:,:,1));

% pre(:,:,2)=im2bw(pre(:,:,2),0.196);

% pre(:,:,2)=uint8(pre(:,:,2));

% pre(:,:,3)=im2bw(pre(:,:,3),0.196);

% pre(:,:,3)=uint8(pre(:,:,3));

lab_1=0;

lab_0=0;

pre_1=0;

pre_0=0;

lab_1pre_1=0;%lab和pre都为1；

lab_1pre_0=0;%lab为1，pre为0；

lab_0pre_1=0;%lab为0，pre为1；

lab_0pre_0=0;%lab为0，pre为0；

[m,n]=size(lab(:,:,1));

q=k;

for k=1:1:q

for i=1:1:m

for f=1:1:n

if lab(i,f,k)==1&&pre1(i,f,k)==1

lab_1=lab_1+1;

pre_1=pre_1+1;

lab_1pre_1=lab_1pre_1+1;

end

if lab(i,f,k)==1&&pre1(i,f,k)==0

lab_1=lab_1+1;

pre_0=pre_0+1;

lab_1pre_0=lab_1pre_0+1;

end

if lab(i,f,k)==0&&pre1(i,f,k)==1

lab_0=lab_0+1;

pre_1=pre_1+1;

lab_0pre_1=lab_0pre_1+1;

end

if lab(i,f,k)==0&&pre1(i,f,k)==0

lab_0=lab_0+1;

pre_0=pre_0+1;

lab_0pre_0=lab_0pre_0+1;

end

% zhen_yang=lab_1pre_1/lab_1*100;

jia_yang=lab_0pre_1/lab_0*100;

% zhen_yin=lab_0pre_0/lab_0*100;

jia_yin=lab_1pre_0/lab_1*100;

%zhunquedu=lab_1pre_1/pre_1*100;

accuracy=(lab_1pre_1+lab_0pre_0)/(lab_0+lab_1)*100;

FPR(j+1)=jia_yang;

precision(j+1)=lab_1pre_1/pre_1*100;

recall(j+1)=lab_1pre_1/lab_1*100;

F1value=2*precision(j+1)*recall(j+1)/(precision(j+1)+recall(j+1));

ji=recall(j+1)/(recall(j+1)+jia_yang+jia_yin)*100;

end

%计算PR曲线⾯积（AUC值）

AUC_PR=-trapz(recall,precision)/10000;%因为这⾥recall和FPR值是从⼤到⼩变化，

AUC_ROC=-trapz(FPR,recall)/10000;%所以积分出来结果是负值

% disp(['recall：',num2str(recall),'%']);

% disp(['precision：',num2str(precision),'%']);

% disp(['accuracy：',num2str(accuracy),'%']);

% %disp(['召回率为：',num2str(recall),'%']);

% disp(['F1值为：',num2str(F1value)]);

% disp(['雅克卡指数为：',num2str(ji),'%']);

% disp(['AUC_PR：',num2str(AUC_PR)]);

% disp(['AUC_ROC：',num2str(AUC_ROC)]);

通过上⾯这段程序后，会得到从0到255阈值下计算出来的precision和recall等值。根据这些值，再运⾏下⾯这段程序即可作出其各类图，并且可以查看具体阈值下各评价指标的⼤⼩：

%此程序需要先通过前⾯程序运⾏后，再运⾏此程序，其中本程序前⾯部分是作图代码，后⾯是

%计算取不同阈值所得到的各类评价指标只⼤⼩。

%作图程序代码

figure(4)

plot(FPR/100,recall/100);

title('ROC曲线');

figure(3)

plot(recall/100,precision/100);

title('PR曲线');

% figure(1)

% plot(precision);

% figure(2)

% plot(recall);

figure(1)

plot(precision/100);

hold on

plot(recall/100);

title('精确率，召回率-阈值曲线');

legend('precision','recall');

figure(2)

plot(diff(precision/100),'color','r');

hold on

plot(-diff(recall/100),'color','g');

title('精确率，召回率导数-阈值曲线');

legend('d(precision)','d(recall)');

figure(5)

plot((1-FPR/100));

hold on

plot(recall/100);

title('召回率，假阳率-阈值曲线');

legend('FPR','recall');

figure(6)

plot(-diff(FPR/100),'color','r');

hold on

plot(-diff(recall/100),'color','g');

title('召回率，假阳率导数-阈值曲线');

legend('d(FPR)','d(recall)');

% %unet

% list=dir(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\unet_valipredictout(3000)\valipredict3000\','*.png']);

% k=length(list);

% pre=zeros(400,400,k);

% for i=1:1:k

% pre(:,:,i)=imread(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\unet_valipredictout(3000)\valipredict3000\',list(i).name]); % end

% pre1=zeros(400,400,k);

% list=dir(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\0729test\labels\','*.png']);

% k=length(list);

% lab=zeros(400,400,k);

% for i=1:1:k

% lab(:,:,i)=imread(['C:\Users\26594\Desktop\桌⾯乱七⼋糟东西\⼤创申请\test\0729test\labels\',list(i).name]);

% end

% j=150;%通过此项来设定阈值⼤⼩

% for i=1:1:k

% pre1(:,:,i)=(pre(:,:,i)>=j);

% pre1(:,:,i)=uint8(pre1(:,:,i));

% end

% % pre(:,:,1)=imread('predict\predict_cdeep\Segmented_0003.png');

% % lab(:,:,1)=imread('predict\labels\cell_5_mask.tif');

% % pre(:,:,2)=imread('predict\predict_cdeep\Segmented_0001.png');

% % lab(:,:,2)=imread('predict\labels\cell_15_mask.tif');

% % pre(:,:,3)=imread('predict\predict_cdeep\Segmented_0002.png');

% % lab(:,:,3)=imread('predict\labels\cell_26_mask.tif');

% % pre(:,:,1)=im2bw(pre(:,:,1),0.196);

% % pre(:,:,1)=uint8(pre(:,:,1));

% % pre(:,:,2)=im2bw(pre(:,:,2),0.196);

% % pre(:,:,2)=uint8(pre(:,:,2));

% % pre(:,:,3)=im2bw(pre(:,:,3),0.196);

% % pre(:,:,3)=uint8(pre(:,:,3));

% lab_1=0;

% lab_0=0;

神经网络预测% pre_1=0;

% pre_0=0;

% lab_1pre_1=0;%lab和pre都为1；

% lab_1pre_0=0;%lab为1，pre为0；

% lab_0pre_1=0;%lab为0，pre为1；

% lab_0pre_0=0;%lab为0，pre为0；

% [m,n]=size(lab(:,:,1));

% q=k;

% for k=1:1:q

% for i=1:1:m

% for f=1:1:n

% if lab(i,f,k)==1&&pre1(i,f,k)==1

% lab_1=lab_1+1;

% pre_1=pre_1+1;

% lab_1pre_1=lab_1pre_1+1;

% end

% if lab(i,f,k)==1&&pre1(i,f,k)==0

% lab_1=lab_1+1;

% pre_0=pre_0+1;

% lab_1pre_0=lab_1pre_0+1;

% end

% if lab(i,f,k)==0&&pre1(i,f,k)==1

% lab_0=lab_0+1;

% pre_1=pre_1+1;

% lab_0pre_1=lab_0pre_1+1;

% end

% if lab(i,f,k)==0&&pre1(i,f,k)==0

% lab_0=lab_0+1;

% pre_0=pre_0+1;

% lab_0pre_0=lab_0pre_0+1;

% end

% jia_yang=lab_0pre_1/lab_0*100;

% jia_yin=lab_1pre_0/lab_1*100;

% accuracy=(lab_1pre_1+lab_0pre_0)/(lab_0+lab_1)*100; % precision=lab_1pre_1/pre_1*100;

% recall=lab_1pre_1/lab_1*100;

% F1value=2*precision*recall/(precision+recall);

% ji=recall/(recall+jia_yang+jia_yin)*100;

% disp(['recall：',num2str(recall),'%']);

% disp(['precision：',num2str(precision),'%']);

% disp(['accuracy：',num2str(accuracy),'%']);

% disp(['F1值为：',num2str(F1value)]);

% disp(['雅克卡指数为：',num2str(ji),'%']);

% disp(['AUC_PR：',num2str(AUC_PR)]);

% disp(['AUC_ROC：',num2str(AUC_ROC)]);

所以可以得到PR、ROC等曲线如下

的点，也就是ROC曲线与y=1-x交点阈值⼤⼩。计算出其不同阈值下评价指标⼤⼩如下：

⾄于到底选哪种⽅法得到合适阈值，就需要根据具体情况了。

本文发布于:2024-09-21 08:31:20，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/4/361518.html

上一篇：基于MEA-LM-BP神经网络的棚室温度预测模型研究

下一篇：python实现BP神经网络回归预测模型

标签：阈值结果评价指标

留言与评论（共有 0 条评论）