pr_curve() - CoreWeave Docs

fonction wandb.plot.pr_curve()

Construit une courbe précision-rappel (PR). La courbe précision-rappel est particulièrement utile pour évaluer des classifieurs sur des jeux de données déséquilibrés. Une aire élevée sous la courbe PR traduit à la fois une précision élevée (un faible taux de faux positifs) et un rappel élevé (un faible taux de faux négatifs). La courbe permet d’analyser l’équilibre entre faux positifs et faux négatifs pour différentes valeurs de seuil, ce qui aide à évaluer les performances d’un modèle.

y_true: 'Iterable[T] | None' = None,
y_probas: 'Iterable[numbers.Number] | None' = None,
labels: 'list[str] | None' = None,
classes_to_plot: 'list[T] | None' = None,
interp_size: 'int' = 21,
title: 'str' = 'Precision-Recall Curve',
split_table: 'bool' = False

Arguments

Iterable[T] | None

Étiquettes binaires réelles. La forme doit être (num_samples,).

Iterable[numbers.Number] | None

Scores ou probabilités prédits pour chaque classe. Il peut s’agir d’estimations de probabilité, de scores de confiance ou de valeurs de décision non seuillées. La forme doit être (num_samples, num_classes).

list[str] | None

Liste facultative de noms de classes destinés à remplacer les valeurs numériques de y_true afin de faciliter la lecture du graphique. Par exemple, labels = ['dog', 'cat', 'owl'] remplace 0 par ‘dog’, 1 par ‘cat’ et 2 par ‘owl’ dans le graphique. Si aucune liste n’est fournie, les valeurs numériques de y_true sont utilisées.

list[T] | None

Liste facultative de valeurs de classes uniques de y_true à inclure dans le graphique. Si elle n’est pas spécifiée, toutes les classes uniques de y_true sont représentées.

int

Nombre de points utilisés pour interpoler les valeurs de rappel. Les valeurs de rappel sont fixées à interp_size points uniformément répartis sur l’intervalle [0, 1], et la précision est interpolée en conséquence.

str

Titre du graphique. Valeur par défaut : “Precision-Recall Curve”.

bool

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

Renvoie

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

Exceptions levées

wandb.Error : si NumPy, pandas ou scikit-learn n’est pas installé.

Exemples

import wandb

# Exemple de détection de spam (classification binaire)
y_true = [0, 1, 1, 0, 1]  # 0 = non-spam, 1 = spam
y_probas = [
    [0.9, 0.1],  # Probabilités prédites pour le premier échantillon (non-spam)
    [0.2, 0.8],  # Deuxième échantillon (spam), et ainsi de suite
    [0.1, 0.9],
    [0.8, 0.2],
    [0.3, 0.7],
]

labels = ["not spam", "spam"]  # Noms de classes facultatifs, pour plus de lisibilité

with wandb.init(project="spam-detection") as run:
    pr_curve = wandb.plot.pr_curve(
        y_true=y_true,
        y_probas=y_probas,
        labels=labels,
        title="Precision-Recall Curve for Spam Detection",
    )
    run.log({"pr-curve": pr_curve})

​fonction wandb.plot.pr_curve()

​Arguments

​Renvoie

​Exceptions levées

​Exemples

fonction wandb.plot.pr_curve()

Arguments

Renvoie

Exceptions levées

Exemples