目录
在模型训练完成后,可以通过绘制ROC曲线来评估模型的分类性能。ROC曲线是以真正率(True Positive Rate,TPR)为纵轴,假正率(False Positive Rate,FPR)为横轴的曲线,它反映了模型在不同阈值下的分类性能。
加载的训练数据是图片!!!
当你的数据是图片时,你可以使用torchvision.datasets.ImageFolder
来加载数据集,并在加载的同时使用torchvision.transforms
中的函数对数据进行预处理。
import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
import numpy as np
# 定义预处理函数
transform = transforms.Compose([
transforms.Resize((224, 224)), # 调整图像大小为224x224
transforms.ToTensor(), # 将图像转换为张量
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 标准化图像
])
# 加载测试集数据
test_data = torchvi