医学图像多分类的评价指标（包括混淆矩阵，metrics.classification_report等）

最近在做一个四分类的医学图像分类，记录下到处凑来的分类效果评价指标吧：

y_true,y_pred,outProb 都是列表

发现了一个问题：metrics.classification_report不会打出多分类的特异度，需要自己写个函数

    def cal_metrics(confusion_matrix):
        n_classes = confusion_matrix.shape[0]
        metrics_result = []
        for i in range(n_classes):
            # 逐步获取 真阳，假阳，真阴，假阴四个指标，并计算三个参数
            ALL = np.sum(confusion_matrix)
            # 对角线上是正确预测的
            TP = confusion_matrix[i, i]
            # 列加和减去正确预测是该类的假阳
            FP = np.sum(confusion_matrix[:, i]) - TP
            # 行加和减去正确预测是该类的假阴
            FN = np.sum(confusion_matrix[i, :]) - TP
            # 全部减去前面三个就是真阴
            TN = ALL - TP - FP - FN
            metrics_result.append([TP / (TP + FP), TP / (TP + FN), TN / (TN + FP)])
        return metrics_result
    result = cal_metrics(confusion_matrix)
    print('cal_metrics: ',result)

评价指标完整版：包括metrics.classification_report，acc，confusion_matrix，auc曲线等

    # Recall & Precision
    target_names = ['class 0', 'class 1','class 2', 'class 3']
    print(metrics.classification_report(y_true, y_pred,digits=3))
    # 混淆矩阵
    confusion_matrix = metrics.confusion_matrix(y_true, y_pred)
    print("confusion_matrix=", confusion_matrix)
    accuracy = metrics.accuracy_score(y_true, y_pred)
    print("accuracy=", accuracy)

    def cal_metrics(confusion_matrix):
        n_classes = confusion_matrix.shape[0]
        metrics_result = []
        for i in range(n_classes):
            # 逐步获取 真阳，假阳，真阴，假阴四个指标，并计算三个参数
            ALL = np.sum(confusion_matrix)
            # 对角线上是正确预测的
            TP = confusion_matrix[i, i]
            # 列加和减去正确预测是该类的假阳
            FP = np.sum(confusion_matrix[:, i]) - TP
            # 行加和减去正确预测是该类的假阴
            FN = np.sum(confusion_matrix[i, :]) - TP
            # 全部减去前面三个就是真阴
            TN = ALL - TP - FP - FN
            metrics_result.append([TP / (TP + FP), TP / (TP + FN), TN / (TN + FP)])
        return metrics_result
    result = cal_metrics(confusion_matrix)
    print('cal_metrics: ',result)

    # 显示混淆矩阵
    classes = range(0, 4)
    plt.imshow(confusion_matrix, cmap=plt.cm.Blues)
    # ticks 坐标轴的坐标点
    # label 坐标轴标签说明
    indices = range(len(confusion_matrix))
    # 第一个是迭代对象，表示坐标的显示顺序，第二个参数是坐标轴显示列表
    plt.xticks(indices, classes)
    plt.yticks(indices, classes)
    plt.colorbar()
    plt.xlabel('Predicted label')
    plt.ylabel('True label')
    plt.title("Confusion matrix",fontdict={'weight': '0'})
    # plt.title("Confusion matrix", fontdict={'weight': '0', 'size': 18})

    # 显示数据
    for first_index in range(len(confusion_matrix)):  # 第几行
        for second_index in range(len(confusion_matrix[first_index])):  # 第几列
            plt.text(first_index, second_index, confusion_matrix[second_index][first_index])
    # 显示
    plt.show()


    # 多分类Roc & Auc
    y_true = label_binarize(y_true, classes=[0, 1, 2, 3])
    fpr = dict()
    tpr = dict()
    roc_auc = dict()
    for i in range(4):
        fpr[i], tpr[i], _ = metrics.roc_curve(y_true[:,i], outProb[:, i])
        roc_auc[i] = metrics.auc(fpr[i], tpr[i])
        print(i,' auc：',roc_auc[i])

    colors = cycle(['aqua', 'darkorange', 'cornflowerblue','green'])
    for i, color in zip(range(4), colors):
        plt.plot(fpr[i], tpr[i], color=color, lw=2,
                 label='ROC curve of class {0} (area = {1:0.3f})'
                 ''.format(i, roc_auc[i]))

    plt.plot([0, 1], [0, 1], 'k--', lw=2)
    plt.xlim([0.0, 1.0])
    plt.ylim([0.0, 1.05])
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')
    plt.title('ROC Curve')
    plt.legend(loc="lower right")
    plt.show()

结果如图：

 

 ————————————————————————————————————————

看到有的多分类文章里也有医生预测效果roc曲线：其实就是对医生预测值进行label_binarize

因为医生预测结果只有类型而非深度学习能预测概率，所以医生的roc曲线是一条折线

补下代码

data_table = pd.read_csv(r'C:\Users\admin\Desktop\给医生的数据\四分类统计数据.csv', encoding='GB18030', delimiter=',')
data_table_arr = np.array(data_table)
Y_true = data_table_arr[:, 3]
lsy = data_table_arr[:, 1]
y_true = list(Y_true)
lsy = list(lsy)


# 多分类Roc & Auc
y_true = label_binarize(y_true, classes=[0, 1, 2, 3])
# 医生预测结果二值化
lsy_pred = label_binarize(lsy,classes=[0, 1, 2, 3])
wzm_pred = label_binarize(wzm,classes=[0, 1, 2, 3])


fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(4):
    fpr[i], tpr[i], _ = metrics.roc_curve(y_true[:,i], lsy_pred[:, i])
    roc_auc[i] = metrics.auc(fpr[i], tpr[i])
    print(i,' auc：',roc_auc[i])

colors = cycle(['aqua', 'darkorange', 'cornflowerblue','green'])
for i, color in zip(range(4), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=2,
             label='ROC curve of class {0} (area = {1:0.3f})'
             ''.format(i, roc_auc[i]))

plt.plot([0, 1], [0, 1], 'k--', lw=2)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend(loc="lower right")
plt.show()

代码里lsy指是csv里lsy医生预测的结果

 四分类结果如图：