如何使用ImageDataGenerator生成训练模型的ROC曲线

我看到你已经给test_generator设置了shuffle=False（这一步特别关键，能保证预测结果和真实标签的顺序严格对应），但报错的核心问题是**roc_curve的参数顺序搞反了**，另外还要注意预测结果的维度处理。下面是完整的修正步骤和代码：

一、错误原因分析 #

你原来的代码写法：

fpr, tpr, tresholds = roc_curve(y_pred, test_generator.classes)

而roc_curve的正确参数顺序是**(y_true, y_score)**——真实标签在前，预测概率在后；同时，model.predict_generator返回的是(样本数, 1)的二维数组，需要转成一维才能和一维的test_generator.classes匹配。

二、完整的ROC曲线绘制步骤 #

1. 获取预测概率并调整维度 #

先执行预测，再把二维的预测结果展平为一维数组：

# 获取模型对测试集的预测概率
y_pred = model.predict_generator(test_generator, steps=step_size_test)
# 将二维数组展平为一维，适配真实标签的维度
y_pred = y_pred.ravel()

2. 获取真实标签 #

因为你设置了shuffle=False，所以test_generator.classes的顺序和预测结果完全对应：

y_true = test_generator.classes

3. 计算ROC曲线参数与AUC值 #

from sklearn.metrics import roc_curve, roc_auc_score

# 计算假阳性率(fpr)、真阳性率(tpr)以及对应的阈值
fpr, tpr, thresholds = roc_curve(y_true, y_pred)
# 计算AUC（曲线下面积）值
auc_score = roc_auc_score(y_true, y_pred)

4. 绘制ROC曲线 #

用matplotlib完成可视化：

import matplotlib.pyplot as plt

plt.figure(figsize=(8,6))
# 绘制ROC曲线
plt.plot(fpr, tpr, label=f'ROC Curve (AUC = {auc_score:.4f})')
# 绘制随机猜测的基准线
plt.plot([0,1], [0,1], 'k--')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC) Curve')
plt.legend(loc='lower right')
plt.show()

三、额外注意事项 #

• 确保模型最后一层是**Dense(1, activation='sigmoid')**：因为你用的是binary_crossentropy损失函数，只有sigmoid激活才能输出0-1之间的概率值，这是计算ROC曲线的必要前提。
• 如果测试集样本数不能被batch_size整除，你可以把steps设为step_size_test + 1，之后用y_pred[:test_generator.n]截取前test_generator.n个结果，避免多余的预测值干扰计算。

内容的提问来源于stack exchange，提问作者Leslie