> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.
# pr_curve()
export const GitHubLink = ({url, compact = false}) =>
{compact ? "View source" : <>
GitHub source
}
;
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.
```python theme={"system"}
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
Étiquettes binaires réelles. La forme doit être (`num_samples`,).
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`).
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.
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.
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.
Titre du graphique. Valeur par défaut : "Precision-Recall Curve".
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
```python theme={"system"}
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})
```