22 | 使用PyTorch完成医疗图像识别大项目：模型指标

今天又是相对轻松的一节。今天我们来研究一下评估模型的指标问题。前两节我们已经把模型训练完了，并且能够在TensorBoard上面查看我们的迭代效果。但是模型的效果实在是不如人意，哪怕我已经把全部的数据都加进去了，但是模型也只能学会把类别都归为非节点。

然而我们用准确率去评估模型的时候，貌似效果还不错，都可以到达99.8%的准确率。这就好像期末考试的时候老师出了100判断题道题，其中只有一道选错，其他的都选对。一个天天逃课的学生只要知道了这个逻辑，他就全都选对，也能得99分，但是这根本不能说明他学到 了什么知识。 今天我们就学习一些新的与评估效果相关的概念。这里先来说一个例子。假设我们有两只看门狗roxie和preston（可以认为是不同的模型）。他们的任务就是当发生危险情况的时候汪汪叫来提醒主人，这里面最危险的情况就是有小偷潜入。

对于小狗roxie来说，它不知道什么情况才是最紧急的，但凡有点风吹草动就会叫唤，比如说有路人经过的时候，有小鸟飞进来的时候，快递员来送快递的时候，如果每次小狗roxie叫唤的时候我们都去看看，肯定能预防小偷，但是那能把我们累死，而且啥事都干不了了。 老狗preston呢能够很好地分辨小偷和其他的事情，但是它年纪大了喜欢睡觉，万一小偷来的时候它睡着了那就被小偷溜进去了。

阳性与阴性

听到阳性和阴性我想大家内心都有应激反应了。最近北京疫情比较严重，又恢复了天天做核酸的状态。对于一个人做核酸的结果有两种情况，一种是阳性一种是阴性。对于我们的狗狗报警也是一样的情况，会分成危险和不危险两种情况。但是我们都知道，不管什么样的狗狗报警都有一定的错误，这个错误也会分成两种情况，那就是把本来是小偷的误报成不危险，把一只小鸟误报成危险。作为我们的核酸检测也是一样的，比如我们经常看到新闻说某某病人前几次核酸都是阴性，但是最后一次检测阳了，或者是某某小区有核酸检测阳性但是经过排查确认是误报。

这两种情况就是假阴性和假阳性。我来看看下面这张图，下面的灰色区域是实际的危险样例，上面的白色区域是实际的安全区域。但是模型给出的预测则是左侧的是安全样例，右侧的是危险样例。当然一般来说被划分错的部分不会有那么大，这里只是为了方便观察。左下角的老鼠本来应该是危险的，但是狗狗却认为它安全，这些老鼠就是假阴性案例，右上角的猫猫没有危险，狗狗却认为它危险，这些猫猫就是假阳性案例。对应的，左上角的小鸟是真阴性案例，右下角的小偷是真阳性案例。

召回率和精确度

由上面的几种情况构成了一个混淆矩阵。其中T和F分布是True和False，N和P表示Negative和Positive。

image.png

有了混淆矩阵，接下来要看两个指标，召回率和精确度。 召回率是真阳性同真阳性与假阴性和的比值。从公式上来说就是

从公式上可以看出来如果想提高召回率，那就要降低假阴性的数量。对于我们的小狗roxie，不管遇到什么都叫唤，它的召回率就很高。因为绝大部分的情况都被它分成了阳性，留给FN的空间不多了。

再来看精确度。公式定义如下，是真阳性同真阳性与假阳性和的比值。

对于小狗roxie来说，它的精确度是很低的，但是对于老狗preston来说，它的精确度就很高，因为它几乎不叫，只有看到小偷的时候才会叫，甚至很多时候它都睡过去了，看不到小偷。

把指标加入日志

召回率和精确度都是我们需要观察的指标，我们当前期望这两个指标都很高，但是现实往往是一个高另外一个就会低。下面把这两个指标加入到我们的日志指标中。前半部分代码我们已经看过了，是就算TN，TP，FN，FP的具体数值。这些代码加在training.py中，LunaTrainigApp的logMetrics的方法里。

        neg_count = int(negLabel_mask.sum())
        pos_count = int(posLabel_mask.sum())

        trueNeg_count = neg_correct = int((negLabel_mask & negPred_mask).sum())
        truePos_count = pos_correct = int((posLabel_mask & posPred_mask).sum())

        falsePos_count = neg_count - neg_correct
        falseNeg_count = pos_count - pos_correct

然后是计算召回率和精确度的计算公式

        precision = metrics_dict['pr/precision'] = \
            truePos_count / np.float32(truePos_count + falsePos_count)
        recall    = metrics_dict['pr/recall'] = \
            truePos_count / np.float32(truePos_count + falseNeg_count)

F1 Score

到了这里还没有完，我们还需要介绍一个F1 Score。通过召回率和精确度可以观察模型的效果，但是要用这两个指标去衡量不同的模型这时候就有点难度。比如说一个召回率高，一个精确度高，没办法对比，所以这里就把它俩结合一下，才有了F1分数。

F1分数的取值范围是0-1，当得分为0的时候表明模型没有分类能力，得分为1时认为模型超级优秀。对比一下F1得分与取召回和精确度均值或者最小值的区别。颜色越深的区域代表分值越接近0，颜色越浅的区域代表分值越接近1。比起平均值来说，F1对某个单项值过小的得分较低，这样可以避免模型出现前面两只狗的情况，要么全都叫，要么基本不叫。而对于取最小值，F1又友好一点，对于两个分数都还差不多的情况，F1有一个更加平滑的结果。假设我们在召回率固定的情况下，提升了精确度，对于取最小值来说这个结果不会发生任何变化，显然这不合理。

最后我们把F1得分也加入日志中。

#计算F1 score
        metrics_dict['pr/f1_score'] = \
            2 * (precision * recall) / (precision + recall)
#记录整体日志
        log.info(
            ("E{} {:8} {loss/all:.4f} loss, "
                 + "{correct/all:-5.1f}% correct, "
                 + "{pr/precision:.4f} precision, "
                 + "{pr/recall:.4f} recall, "
                 + "{pr/f1_score:.4f} f1 score"
            ).format(
                epoch_ndx,
                mode_str,
                **metrics_dict,
            )
        )
#记录负样本日志
        log.info(
            ("E{} {:8} {loss/neg:.4f} loss, "
                 + "{correct/neg:-5.1f}% correct ({neg_correct:} of {neg_count:})"
            ).format(
                epoch_ndx,
                mode_str + '_neg',
                neg_correct=neg_correct,
                neg_count=neg_count,
                **metrics_dict,
            )
        )
#记录正样本日志
        log.info(
            ("E{} {:8} {loss/pos:.4f} loss, "
                 + "{correct/pos:-5.1f}% correct ({pos_correct:} of {pos_count:})"
            ).format(
                epoch_ndx,
                mode_str + '_pos',
                pos_correct=pos_correct,
                pos_count=pos_count,
                **metrics_dict,
            )
        )

你可以按照上面的代码对上一个模型训练的代码进行修改，我这里等不及训练了，实在是有点慢，直接贴了书里的结果。可以看到虽然模型运行完了，但是我们的F1 score貌似没有计算出来，得到了一个nan的结果。这主要是因为有被0除的情况。没有任何样本被标记为阳性，因此精确度计算的分母是0。

不过我们还是已经了解了一些模型指标的计算，当然F1 score也不是全部，还有更多的指标可以用来作为评估标准，比如AUC，现在我们还不涉及。

今天就先学到这里。