diplom_code/graf_plot.py at master · infernaltiger/diplom_code · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
import os
from sklearn.metrics import roc_curve, auc, confusion_matrix
import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import ast  # Для преобразования строк в списки при чтении


def load_history_from_csv(filename):
    #Читает историю
    df = pd.read_csv(filename)
    history = {
        'train_loss': df['train_loss'].tolist(),
        'val_loss': df['val_loss'].tolist(),
        'val_accuracy': df['val_accuracy'].tolist(),
        'all_labels': ast.literal_eval(df['all_labels'].iloc[0]),
        'all_probs': list(map(float, ast.literal_eval(df['all_probs'].iloc[0])))
    }
    return history

def plot_training_results(history, model_name):
    plt.figure(figsize=(15, 5))

    # графики с метриками
    # График потерь
    plt.subplot(1, 3, 1)
    plt.plot(history['train_loss'], label='Ошибка обучения')
    plt.plot(history['val_loss'], label='Ошибка валидации')
    plt.title(f'{model_name} - Ошибка Обучения/Валидации')
    plt.xlabel('Эпохи')
    plt.ylabel('Ошибка')
    plt.legend()

    # График точности
    plt.subplot(1, 3, 2)
    plt.plot(history['val_accuracy'], label='Точность при валидации', color='orange')
    plt.title(f'{model_name} - Точность при валидации')
    plt.xlabel('Эпохи')
    plt.ylabel('Точность (%)')
    plt.legend()

    # ROC-кривая
    plt.subplot(1, 3, 3)
    fpr, tpr, _ = roc_curve(history['all_labels'], history['all_probs'])
    roc_auc = auc(fpr, tpr)
    plt.plot(fpr, tpr, color='darkgreen', label=f'AUC = {roc_auc:.2f}')
    plt.plot([0, 1], [0, 1], 'k--')
    plt.title(f'{model_name} - ROC-Кривая')
    plt.xlabel('Доля ложно положительных')
    plt.ylabel('Доля истинно положительных')
    plt.legend()

    plt.tight_layout()
    plt.show()

    # Матрица ошибок
    preds = (np.array(history['all_probs']) > 0.5).astype(int)
    cm = confusion_matrix(history['all_labels'], preds)
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
                xticklabels=['Отрицательно', 'Положительно'],
                yticklabels=['Отрицательно', 'Положительно'])
    plt.title(f'{model_name} - Матрица ошибок')
    plt.xlabel('Предугадано')
    plt.ylabel('Правда')
    plt.show()


def save_individual_plots(history, model_name, save_dir='plots', dpi=100):

    #Сохраняет каждый график как отдельное изображение.

    # Создаем директорию, если ее нет
    os.makedirs(save_dir, exist_ok=True)

    # 1. График потерь
    plt.figure(figsize=(8, 5))
    plt.plot(history['train_loss'], label='Ошибка обучения')
    plt.plot(history['val_loss'], label='Ошибка валидации')
    plt.title(f'{model_name} - Ошибка Обучения/Валидации')
    plt.xlabel('Эпохи')
    plt.ylabel('Ошибка')
    plt.legend()
    plt.savefig(os.path.join(save_dir, f'{model_name}_loss.png'), dpi=dpi, bbox_inches='tight')
    plt.close()

    # 2. График точности
    plt.figure(figsize=(8, 5))
    plt.plot(history['val_accuracy'], label='Точность при валидации', color='orange')
    plt.title(f'{model_name} - Точность при валидации')
    plt.xlabel('Эпохи')
    plt.ylabel('Точность (%)')
    plt.legend()
    plt.savefig(os.path.join(save_dir, f'{model_name}_accuracy.png'), dpi=dpi, bbox_inches='tight')
    plt.close()

    # 3. ROC-кривая
    plt.figure(figsize=(8, 5))
    fpr, tpr, _ = roc_curve(history['all_labels'], history['all_probs'])
    roc_auc = auc(fpr, tpr)
    plt.plot(fpr, tpr, color='darkgreen', label=f'AUC = {roc_auc:.2f}')
    plt.plot([0, 1], [0, 1], 'k--')
    plt.title(f'{model_name} - ROC-Кривая')
    plt.xlabel('Доля ложно положительных')
    plt.ylabel('Доля истинно положительных')
    plt.legend()
    plt.savefig(os.path.join(save_dir, f'{model_name}_roc.png'), dpi=dpi, bbox_inches='tight')
    plt.close()

    # 4. Матрица ошибок
    plt.figure(figsize=(6, 6))
    preds = (np.array(history['all_probs']) > 0.5).astype(int)
    cm = confusion_matrix(history['all_labels'], preds)
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
                xticklabels=['Отрицательно', 'Положительно'],
                yticklabels=['Отрицательно', 'Положительно'])
    plt.title(f'{model_name} - Матрица ошибок')
    plt.xlabel('Предугадано')
    plt.ylabel('Правда')
    plt.savefig(os.path.join(save_dir, f'{model_name}_confusion_matrix.png'), dpi=dpi, bbox_inches='tight')
    plt.close()

history_res = load_history_from_csv("resnet_results.csv")
plot_training_results(history_res, "resnet")

history_res = load_history_from_csv("mobilenet_res_v1_8min.csv")
plot_training_results(history_res, "mobilenet")

history_res = load_history_from_csv("effnet_12ep_88.csv")
plot_training_results(history_res, "effnet")
'''
save_individual_plots(
    history,
    model_name="ResNet18",
    save_dir="model_plots"
)

save_individual_plots(
    history,
    model_name="MobileNet",
    save_dir="model_plots"
)

save_individual_plots(
    history,
    model_name="EfficientNet",
    save_dir="model_plots"
)
'''