> ## 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.
# confusion_matrix()
export const GitHubLink = ({url, compact = false}) =>
{compact ? "View source" : <>
GitHub source
}
;
関数 wandb.plot.confusion\_matrix()
確率または予測のシーケンスから混同行列を構築します。
```python theme={"system"}
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
```
引数
各クラスの予測確率のシーケンス。シーケンスの形状は (N, K) でなければなりません。ここで N はサンプル数、K はクラス数です。提供された場合、`preds` は提供しないでください。
正解ラベルのシーケンス。
予測クラスラベルのシーケンス。提供された場合、`probs` は提供しないでください。
クラス名のシーケンス。提供されない場合、クラス名は "Class\_1"、"Class\_2" などとして定義されます。
混同行列チャートのタイトル。
表を W\&B UI の別セクションに分割するかどうか。`True` の場合、表は「Custom Chart Tables」という名のセクションに表示されます。デフォルトは `False` です。
戻り値
`CustomChart`: W\&B にログできるカスタム チャート オブジェクトです。チャートをログするには、このオブジェクトを `wandb.log()` に渡します。
送出される例外
* `ValueError`: `probs` と `preds` の両方が指定された場合、または予測の数と true labels の数が等しくない場合。予測された一意のクラスの数がクラス名の数を超える場合、または一意の true labels の数がクラス名の数を超える場合。
* `wandb.Error`: numpy がインストールされていない場合。
サンプル
野生動物の分類用にランダムな確率を使って混同行列を
ログする例：
```python theme={"system"}
import numpy as np
import wandb
# 野生動物のクラス名を定義します
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 正解ラベルをランダムに生成します（10 サンプルに対して 0～3）
wildlife_y_true = np.random.randint(0, 4, size=10)
# 各クラスの確率をランダムに生成します（10 サンプル x 4 クラス）
wildlife_probs = np.random.rand(10, 4)
wildlife_probs = np.exp(wildlife_probs) / np.sum(
np.exp(wildlife_probs),
axis=1,
keepdims=True,
)
# W&B run を初期化し、混同行列をログします
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})
```
この例では、ランダムな確率を使用して混同行列を
生成します。
シミュレーションしたモデルの予測と85%の
精度で混同行列をログします：
```python theme={"system"}
import numpy as np
import wandb
# 野生動物のクラス名を定義します
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 200 枚の動物画像の正解ラベルをシミュレートします（不均衡な分布）
wildlife_y_true = np.random.choice(
[0, 1, 2, 3],
size=200,
p=[0.2, 0.3, 0.25, 0.25],
)
# 精度 85% のモデル予測をシミュレートします
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
]
# W&B run を初期化し、混同行列をログします
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})
```
この例では、予測を精度 85% でシミュレートして
混同行列を生成します。