> ## 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
}
;
각 클래스에 대한 예측 확률의 시퀀스입니다. 시퀀스 형태는 (N, K)여야 하며, 여기서 N은 샘플 수이고 K는 클래스 수입니다. 제공된 경우 `preds`는 제공되지 않아야 합니다.
실제 레이블의 시퀀스입니다.
예측된 클래스 레이블의 시퀀스입니다. 제공된 경우 `probs`는 제공되지 않아야 합니다.
클래스 이름의 시퀀스입니다. 제공되지 않은 경우 클래스 이름은 "Class\_1", "Class\_2" 등으로 정의됩니다.
혼동 행렬 차트의 제목입니다.
table을 W\&B UI에서 별도의 섹션으로 분할할지 여부입니다. `True`인 경우 table은 "Custom Chart Tables"라는 섹션에 표시됩니다. Default는 `False`입니다.
반환값
`CustomChart`: W\&B에 로깅할 수 있는 맞춤형 차트 객체입니다. 차트를 로깅하려면 `wandb.log()`에 전달하세요.
예외
* `ValueError`: `probs`와 `preds`를 모두 지정했거나 예측 개수와 실제 레이블 개수가 서로 다르면 발생합니다. 또한 고유한 예측 클래스의 개수나 고유한 실제 레이블의 개수가 클래스 이름의 개수보다 많아도 발생합니다.
* `wandb.Error`: numpy가 설치되어 있지 않으면 발생합니다.
예시
야생동물 분류에 대한 혼동 행렬을 무작위 확률로
로깅하는 예시:
```python theme={"system"}
import numpy as np
import wandb
# 야생동물 클래스 이름 정의
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 무작위 실제 레이블 생성 (샘플 10개에 대해 0~3)
wildlife_y_true = np.random.randint(0, 4, size=10)
# 각 클래스에 대한 무작위 확률 생성 (샘플 10개 x 클래스 4개)
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 초기화 및 혼동 행렬 로깅
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})
```
이 예제에서는 무작위 확률을 사용하여 혼동
행렬을 생성합니다.
시뮬레이션된 모델 예측과 85%의
정확도로 혼동 행렬을 로깅합니다:
```python theme={"system"}
import numpy as np
import wandb
# 야생동물 클래스 이름 정의
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 동물 이미지 200개에 대한 실제 레이블 시뮬레이션(불균형 분포)
wildlife_y_true = np.random.choice(
[0, 1, 2, 3],
size=200,
p=[0.2, 0.3, 0.25, 0.25],
)
# 정확도 85%의 모델 예측 시뮬레이션
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 초기화 및 혼동 행렬 로깅
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})
```
이 예제에서는 정확도가 85%인 예측을 시뮬레이션하여
혼동 행렬을 생성합니다.
## Related topics
- [Custom Charts 개요](/ko/products/wandb/ref/python/custom-charts.md)