keras搭建二分类神经网络代码：不平衡，AUC和AUPR，画图

原创

于 2021-02-01 21:55:38 发布 · 2.8k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #tensorflow #深度学习 #机器学习 #keras

本文介绍了如何在keras中搭建二分类神经网络，包括定义性能评估指标如AUC和AUPR，以及训练过程。强调了在metrics和callback中加入这些指标的方法，并探讨了sigmoid与softmax的选择。此外，还讨论了处理类别不平衡问题的策略，并提供了画图的链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码

定义性能评估指标
定义模型
定义训练模型过程
运行：标准化、训练测试、画图

定义性能评估指标

def performances(y_true, y_pred, y_prob):

    tn, fp, fn, tp = confusion_matrix(y_true, y_pred, labels = [0, 1]).ravel().tolist()
    accuracy = (tp+tn)/(tn+fp+fn+tp)
    
    try:
        recall = tp / (tp+fn)
    except:
        recall = 0
        
    try:
        precision = tp / (tp+fp)
    except:
        precision = 0
        
    try: 
        f1 = 2*precision*recall / (precision+recall)
    except:
        f1 = 0
        
    roc_auc = roc_auc_score(y_true, y_prob)
    prec, reca, _ = precision_recall_curve(y_true, y_prob)
    aupr = auc(reca, prec)
    
    print('tn = {}, fp = {}, fn = {}, tp = {}'.format(tn, fp, fn, tp))
    print('y_pred: 0 = {} | 1 = {}'.format(Counter(y_pred)[0], Counter(y_pred)[1]))
    print('y_true: 0 = {} | 1 = {}'