基于LIDC-IDRI肺结节肺癌数据集的人工智能深度学习分类良性和恶性肺癌（Python 全代码）全流程解析（三）

第一部分传送门
第二部分传送门

1 模型的读取和数据集的划分

在搭建深度学习模型并完成模型的训练后，开始进行模型的性能的评估。首先将处理好的数据读入，而后随机的按照7:3的比例随机的切分为训练集和测试集。本部分使用测试集进行模型的分类性能评估。

#读取预处理数据
labels,data_x,data_y,data_z = load_data(label_path,data_path)
# 划分训练集和测试集
train_data_x, test_data_x, train_data_y, test_data_y, train_data_z, test_data_z, train_labels, test_labels = train_test_split(data_x, data_y, data_z, labels, test_size=0.3, random_state=42)

而后读取保存好的深度学习模型

model_file = os.path.join(result_path, 'model_44.h5')
H = load_model(model_file)

2 准确率，精确度（precision）、召回率（recall）、F1值（F1-score）评估

对测试集的真实标签（y_true）和模型预测得到的二元分类结果（y_pred）进行评估，通过输出分类报告（classification_report）来得到模型的性能指标。

#
predictions = H.predict([test_data_y, train_data_z, test_data_z])
# 将概率值转换为0和1
predictions_binary = np.argmax(predictions, axis=1)
##test
y_true = test_labels[:,1]
y_pred = predictions_binary
print(classification_report(y_true,y_pred))

训练的结果如下，精确度大概为0.78左右，然而模型存在一定程度的偏移，需要调参。

3 ROC曲线评估

要绘制ROC曲线，首先需要计算真正率（True Positive Rate，也称召回率）和假正率（False Positive Rate）。在代码中，可以通过使用模型的预测概率值和真实标签来计算这些指标。

def evaluate_model(y_test, y_pred):
    """
    评估分类器模型的性能，并打印相关指标。

    Parameters:
    - X_test: 测试集的特征矩阵
    - y_test: 测试集的目标变量
    """
    # 准确率
    acc = accuracy_score(y_test, y_pred)
    print(f'准确率：{acc:.4f}')

    # 分类报告
    print('\n分类报告：')
    report = classification_report(y_test, y_pred)
    print(report)

    # 混淆矩阵
    print('混淆矩阵：')
    cm = confusion_matrix(y_test, y_pred)
    print(cm)

    # ROC 曲线和 AUC
    if len(set(y_test)) == 2:  # 二分类才绘制 ROC 曲线和计算 AUC
        auc = roc_auc_score(y_test,y_pred)
        
        # 中文乱码和坐标轴负号的处理
        plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
        plt.rcParams['axes.unicode_minus'] = False

        # 绘制 ROC 曲线
        fpr, tpr, _ = roc_curve(y_test,y_pred)
        plt.figure(figsize=(8, 6))
        plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'AUC = {auc:.4f}')
        plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
        plt.xlabel('False Positive Rate')
        plt.ylabel('True Positive Rate')
        plt.title('ROC 曲线')
        plt.legend(loc='lower right')
        plt.show()
        

获得的ROC示意图曲线如图：

4 决策收益分析曲线，混淆矩阵

混淆矩阵（Confusion Matrix）是一种用于评估分类模型性能的表格，它将模型预测的结果与实际的类别标签进行比较，从而展现模型的分类准确性。混淆矩阵是一个二维矩阵，通常是一个正方形矩阵，其行代表了真实的类别，列代表了模型预测的类别。

def plt_confusion_matrix(cm,save_path = False):
    
    
    # 混淆矩阵
    plt.figure(figsize=(8, 6))
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', cbar=False,
                xticklabels=['Predicted 0', 'Predicted 1'],
                yticklabels=['Actual 0', 'Actual 1'])
    plt.xlabel('Predicted Label')
    plt.ylabel('True Label')
    plt.title('Confusion Matrix')
    # 保存图片
    if save_path:
        plt.savefig(save_path, dpi=800, bbox_inches='tight')
        
    plt.show()

运行的结果示意图如图

如图
收益分析曲线（Profit Curve）是一种用于评估分类模型性能的可视化工具，它将模型的预测结果与实际的成本和收益联系起来，从而帮助决策者在不同阈值下进行决策。

笑话一则开心一下喽

什么是代沟？就是换上新衣服，在老妈面前走了一圈说：妈，有范吗？老妈看了我一眼说：有，在锅里，自己盛去。

深度学习，医学图像处理，机器学习，需要帮助的联系我（有偿哦）