confusion_matrix() - CoreWeave Docs

fonction wandb.plot.confusion_matrix()

Génère une matrice de confusion à partir d’une séquence de probabilités ou de prédictions.

probs: 'Sequence[Sequence[float]] | None' = None,
y_true: 'Sequence[T] | None' = None,
preds: 'Sequence[T] | None' = None,
class_names: 'Sequence[str] | None' = None,
title: 'str' = 'Confusion Matrix Curve',
split_table: 'bool' = False

Arguments

Sequence[Sequence[float]] | None

Séquence de probabilités prédites pour chaque classe. La séquence doit être de forme (N, K), où N est le nombre d’échantillons et K le nombre de classes. Si ce paramètre est fourni, preds ne doit pas l’être.

Sequence[T] | None

Séquence d’étiquettes réelles.

Sequence[T] | None

Séquence d’étiquettes de classe prédites. Si ce paramètre est fourni, probs ne doit pas l’être.

Sequence[str] | None

Séquence de noms de classes. Si ce paramètre n’est pas fourni, les noms de classes seront « Class_1 », « Class_2 », etc.

str

Titre du graphique de matrice de confusion.

bool

Indique si le tableau doit être placé dans une section distincte de l’interface W&B. Si la valeur est True, le tableau s’affiche dans une section nommée « Custom Chart Tables ». Par défaut : False.

Renvoie

CustomChart : un objet de graphique personnalisé pouvant être consigné dans W&B. Pour journaliser le graphique, passez-le à wandb.log().

Exceptions levées

ValueError : si probs et preds sont fournis simultanément, ou si le nombre de prédictions diffère du nombre d’étiquettes réelles. Également si le nombre de classes prédites distinctes dépasse le nombre de noms de classes, ou si le nombre d’étiquettes réelles distinctes dépasse le nombre de noms de classes.
wandb.Error : si numpy n’est pas installé.

Exemples

Journaliser une matrice de confusion avec des probabilités aléatoires pour la classification d’animaux sauvages :

import numpy as np
import wandb

# Définir les noms de classes des animaux sauvages
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]

# Générer des étiquettes réelles aléatoires (de 0 à 3 pour 10 échantillons)
wildlife_y_true = np.random.randint(0, 4, size=10)

# Générer des probabilités aléatoires pour chaque classe (10 échantillons × 4 classes)
wildlife_probs = np.random.rand(10, 4)
wildlife_probs = np.exp(wildlife_probs) / np.sum(
    np.exp(wildlife_probs),
    axis=1,
    keepdims=True,
)

# Initialiser le run W&B et journaliser la matrice de confusion
with wandb.init(project="wildlife_classification") as run:
    confusion_matrix = wandb.plot.confusion_matrix(
        probs=wildlife_probs,
        y_true=wildlife_y_true,
        class_names=wildlife_class_names,
        title="Wildlife Classification Confusion Matrix",
    )
    run.log({"wildlife_confusion_matrix": confusion_matrix})

Dans cet exemple, une matrice de confusion est générée à partir de probabilités aléatoires. Journalisation d’une matrice de confusion avec des prédictions de modèle simulées et une précision de 85 % :

import numpy as np
import wandb

# Définir les noms de classes des animaux sauvages
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]

# Simuler les étiquettes réelles de 200 images d’animaux (distribution déséquilibrée)
wildlife_y_true = np.random.choice(
    [0, 1, 2, 3],
    size=200,
    p=[0.2, 0.3, 0.25, 0.25],
)

# Simuler les prédictions du modèle avec une précision de 85 %
wildlife_preds = [
    y_t
    if np.random.rand() < 0.85
    else np.random.choice([x for x in range(4) if x != y_t])
    for y_t in wildlife_y_true
]

# Initialiser le run W&B et journaliser la matrice de confusion
with wandb.init(project="wildlife_classification") as run:
    confusion_matrix = wandb.plot.confusion_matrix(
        preds=wildlife_preds,
        y_true=wildlife_y_true,
        class_names=wildlife_class_names,
        title="Simulated Wildlife Classification Confusion Matrix",
    )
    run.log({"wildlife_confusion_matrix": confusion_matrix})

Dans cet exemple, les prédictions sont simulées avec une précision de 85 % pour générer une matrice de confusion.

​fonction wandb.plot.confusion_matrix()

​Arguments

​Renvoie

​Exceptions levées

​Exemples

fonction wandb.plot.confusion_matrix()

Arguments

Renvoie

Exceptions levées

Exemples