Рассчитать кривую ROC, отчет о классификации и матрицу путаницы для задачи классификации по нескольким меткам. ⇐ Python

[Anonymous]

Я пытаюсь понять, как создать матрицу путаницы и кривую ROC для моей задачи классификации по нескольким меткам. Я строю нейронную сеть.
Вот мои занятия:

Код: Выделить всё

mlb = MultiLabelBinarizer()
ohe = mlb.fit_transform(as_list)
# loop over each of the possible class labels and show them
for (i, label) in enumerate(mlb.classes_):
print("{}. {}".format(i + 1, label))

[INFO] class labels:
1. class1
2. class2
3. class3
4. class4
5. class5
6. class6

Мои ярлыки трансформируются:

Код: Выделить всё

ohe
array([[0, 1, 0, 0, 1, 1],
[0, 1, 1, 1, 1, 0],
[1, 1, 1, 0, 1, 0],
[0, 1, 1, 1, 0, 1],...]]

Данные обучения:

Код: Выделить всё

array([[[[ 1.93965047e+04,  8.49532852e-01],
[ 1.93965047e+04,  8.49463479e-01],
[ 1.93965047e+04,  8.49474722e-01],
...,

Модель:

Код: Выделить всё

model.compile(loss="binary_crossentropy", optimizer=opt,metrics=["accuracy"])
H = model.fit(trainX, trainY, batch_size=BS,
validation_data=(testX, testY),
epochs=EPOCHS, verbose=1)

Я могу получить проценты, но я немного не знаю, как рассчитать матрицу путаницы или кривую ROC или получить отчет о классификации.
вот проценты:
пбр />

Код: Выделить всё

proba = model.predict(testX)
idxs = np.argsort(proba)[::-1][:2]

for i in proba:
print ('\n')
for (label, p) in zip(mlb.classes_, i):
print("{}: {:.2f}%".format(label, p * 100))

class1: 69.41%
class2: 76.41%
class3: 58.02%
class4: 63.97%
class5: 48.91%
class6: 58.28%

class1: 69.37%
class2: 76.42%
class3: 58.01%
class4: 63.92%
class5: 48.88%
class6: 58.26%

Как это сделать, желательно на примере?

Подробнее здесь: https://stackoverflow.com/questions/608 ... ltilabel-c