如何使用tf.keras.metrics正确计算假阳性率(False Positive Rate)

• 你代码中的fp/fn/tn是Keras指标类的实例对象，不是最终统计得到的数值，直接对实例对象做算术运算会触发类型不支持错误
• 要获取指标的统计结果，需要先调用实例的.result()方法拿到对应张量，可进一步调用.numpy()转成Python可直接计算的数值类型

贴合原有逻辑的写法 #

# 初始化各指标实例
fp_metric = tf.keras.metrics.FalsePositives()
fn_metric = tf.keras.metrics.FalseNegatives()
tn_metric = tf.keras.metrics.TrueNegatives()

# 传入真实值和预测值更新指标状态
fp_metric.update_state(bigy[test], pred)
fn_metric.update_state(bigy[test], pred)
tn_metric.update_state(bigy[test], pred)

# 获取统计数值
fp = fp_metric.result().numpy()
tn = tn_metric.result().numpy()

# 计算假阳性率，公式为 FPR = FP/(FP+TN)
fpr = fp / (fp + tn)

更高效的写法（单混淆矩阵指标一次性计算所有统计值） #

# 初始化2分类混淆矩阵指标
cm_metric = tf.keras.metrics.ConfusionMatrix(num_classes=2)
cm_metric.update_state(bigy[test], pred)
# 拉平混淆矩阵后按顺序取出真阴性、假阳性、假阴性、真阳性
tn, fp, fn, tp = cm_metric.result().numpy().ravel()

fpr = fp / (fp + tn)

• 若数据集存在极端分布（所有样本都是正类，导致FP+TN=0），可加入除零保护避免报错：

fpr = fp / (fp + tn) if (fp + tn) != 0 else 0.0

内容的提问来源于stack exchange，提问作者Malik Hamza