活体检测根据TPR、FPR绘制图像计算最优模型阈值

在活体检测中经常使用roc_curve来绘制ROC曲线，通过返回的TPR、FPR和对应的阈值来计算最优阈值

sklearn.metrics.roc_curve的返回值为三个list，分别为TPR、FPR和对应的阈值，即：

sklearn.metrics.roc_curve根据样本原本的标注和模式预测的成绩，使用不同的阈值去计算TPR和FPR，每一个阈值对应一个TPR和FPR，他们被存储在函数返回列表的对应位置：

fpr, tpr, threshold = roc_curve(target_labels, scorce, pos_label=1)

from sklearn.metrics import roc_curvedef get_err_threhold(fpr, tpr, threshold):differ_tpr_fpr_1=tpr+fpr-1.0right_index = np.argmin(np.abs(differ_tpr_fpr_1))best_th = threshold[right_index]err = fpr[right_index]    return err, best_th, right_indextarget_labels = []  # 分类样本的真实标签
scorce = []  # 分类模型预测出的样本成绩#  pos_lable=1 表示正样本是用1标注的
fpr, tpr, threshold = roc_curve(target_labels, scorce, pos_label=1) # best_threshold就是最好的阈值，err为错误率，index为最优阈值的坐标
err, best_threshold, index = get_err_threhold(fpr, tpr, threshold)

TPR：真正类率，即所有正样本中被分类器预测为正样本的个数。

$TPR=\frac{TP}{TP+FN}$

FPR：假正类率，即所有负样本中被分类器预测为正样本的个数。

$FPR=\frac{FP}{FP+TN}$

在最理想情况下，我们都希望模型能够将所有的正类均正确分类，即TPR=1。所有的负类也正确分类对应FPR=0。

因此，理想情况下ROC曲线越靠拢图像中(0,1)点，表示模型在此阈值对应的模型效果最好。

如何根据返回的fpr, tpr, threshold = roc_curve(target_labels, scorce, pos_label=1)找到最佳阈值？

首先计算：differ_tpr_fpr_1= tpr + fpr -1.0

在最理想的点（1，0）结果为0，其他情况下differ_tpr_fpr_1的值在-1~1之间，我们可以对differ_tpr_fpr求绝对值，来表示该点与理想点的距离，从而距离越小，此点越优

right_index = np.argmin(np.abs(differ_tpr_fpr_1))

right_index为最优点的下表

因此我们可以得到最优阈值，使得AUC值最大

活体检测根据TPR、FPR绘制图像计算最优模型阈值相关推荐

人脸识别中的活体检测算法综述
其它机器学习.深度学习算法的全面系统讲解可以阅读<机器学习-原理.算法与应用>,清华大学出版社,雷明著,由SIGAI公众号作者倾力打造. 书的购买链接书的勘误,优化,源代码资源 1. 什 ...
人脸识别中的活体检测算法
人脸识别中的活体检测算法综述 1. 什么是活体检测? 判断捕捉到的人脸是真实人脸,还是伪造的人脸攻击(如:彩色纸张打印人脸图,电子设备屏幕中的人脸数字图像以及面具等) 2. 为什么需要活体检测? ...
模型评估指标-2-ROC与PR曲线对比，TPR/FPR/Precision关系,3种特殊的评估指标
导语:在进阶篇里面,将会讨论ROC和PR曲线的联系,在不平衡数据中的偏差问题,同时利用公式来说明TPR/FPR/Precision三者之间的关系,在第三部分结合业务场景将介绍了几个特殊指标,但是没有说 ...
计算机视觉子方向,计算机视觉方向简介 | 人脸识别中的活体检测算法综述
原标题:计算机视觉方向简介 | 人脸识别中的活体检测算法综述本文转载自"SIGAI人工智能学习与实践平台"(ID:SIGAICN) 导言 1. 什么是活体检测? 判断捕捉到的人脸 ...
38、静默活体检测测试及ncnn、mnn部署
基本思想:因为最近需要搞个Android端的活体检测,github了一下,git到小视科技公司的一个开源项目,听了大佬的介绍,因此测试了一下,效果还可以,于是进行了模型转换和ncnn.mnn部署本实 ...
使用face_recognition：摄像头实时给人脸打马赛克、疲劳检测、活体检测(张嘴检测)、计算两张人脸之间的相似度、人脸校准
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 使用face_recognition进行摄像头实时给人脸打马赛 ...
逻辑回归模型混淆矩阵评价与ROC曲线最佳阈值的好处（附Accuracy,TPR,FPR计算函数）
一.得到阈值在0.5和0.8下模型的混淆矩阵 y_prob=result.predict(X_test)#得到概率值y_predict1=pd.DataFrame(y_prob>0.5).ast ...
Python机器视觉--OpenCV进阶(核心)--图像轮廓查找识别,绘制图像轮廓与图像轮廓的面积周长计算
1.图像轮廓查找识别与绘制图像轮廓 1.1 什么是图像轮廓图像轮廓是具有相同颜色或灰度的连续点的曲线. 轮廓在形状分析和物体的检测和识别中很有用. 轮廓的作用: 用于图形分析物体的识别和检测注意 ...
关于评价指标的理解(TPR,FPR,TAR,FAR,FRR,ERR)
近期,一直在做人脸识别方面的研究,在阅读paper的时候,发现对一些指标认识不足,因此,从新学习认识算法的评价指标,非常感谢https://blog.csdn.net/liuweiyuxiang/ar ...

活体检测根据TPR、FPR绘制图像计算最优模型阈值

活体检测根据TPR、FPR绘制图像计算最优模型阈值相关推荐

最新文章

热门文章

活体检测 根据TPR、FPR绘制图像计算最优模型阈值

活体检测 根据TPR、FPR绘制图像计算最优模型阈值相关推荐

最新文章

热门文章

活体检测根据TPR、FPR绘制图像计算最优模型阈值

活体检测根据TPR、FPR绘制图像计算最优模型阈值相关推荐