基于Keras的CNN模型无法获取准确率及绘制ROC曲线求助

• 直接原因：roc_curve 要求输入数组类型的真实标签，你传入的 test_set 是Keras的DirectoryIterator迭代器对象，不符合输入要求
• 次要问题：你的模型用2类softmax输出，返回的预测结果是形状为(样本数, 2)的概率矩阵，无法直接输入roc_curve计算，需要提取正类的单维概率

1. 提取真实标签与正类预测概率 #

确保测试集生成器的shuffle参数为默认值False（否则预测结果顺序和标签顺序不匹配），执行以下代码：

import numpy as np
from sklearn.metrics import roc_curve, auc, accuracy_score

# 提取测试集真实标签数组
y_true = test_set.classes
# 提取正类（类别索引为1的类别）预测概率
y_pred_pos = classifier.predict(test_set)[:, 1]

2. 计算ROC曲线与AUC值 #

# 计算ROC曲线的假阳性率、真阳性率、阈值
fpr, tpr, thresholds = roc_curve(y_true, y_pred_pos)
# 计算AUC指标
roc_auc = auc(fpr, tpr)

3. 获取模型准确率 #

方法一：直接调用模型内置评估方法 #

# 返回值依次为测试集损失、测试集准确率
test_loss, test_acc = classifier.evaluate(test_set, verbose=0)
print(f"测试集准确率：{test_acc:.4f}")

方法二：手动基于预测结果计算 #

# 把概率转为预测类别
y_pred = np.argmax(classifier.predict(test_set), axis=1)
# 计算准确率
acc = accuracy_score(y_true, y_pred)
print(f"手动计算测试集准确率：{acc:.4f}")

你当前是二分类任务，可以调整模型配置简化后续处理：

• 输出层改为Dense(units = 1, activation = 'sigmoid')
• 损失函数改为binary_crossentropy
• 训练/测试生成器的class_mode改为'binary'
  调整后预测结果直接返回正类概率，无需额外切分维度。

内容的提问来源于stack exchange，提问作者farabee