> ## 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
}
;
함수 wandb.plot.pr\_curve()
정밀도-재현율(PR) 곡선을 구성합니다.
정밀도-재현율 곡선은 불균형 데이터셋에서 분류기를 평가하는 데 특히 유용합니다. PR 곡선 아래의 넓은 면적은 높은 정밀도(낮은 오탐률)와 높은 재현율(낮은 미탐률)을 모두 의미합니다. 이 곡선은 다양한 임계값 수준에서 오탐과 미탐 사이의 균형에 대한 통찰을 제공하여 모델의 성능 평가를 돕습니다.
```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
```
인수
True binary labels. The shape should be (`num_samples`,).
Predicted scores or probabilities for each 클래스. These can be probability estimates, confidence scores, or non-thresholded decision values. The shape should be (`num_samples`, `num_classes`).
클래스 이름의 선택 목록으로, `y_true`의 숫자 값을 대체하여 플롯 해석을 쉽게 합니다. 예를 들어, `labels = ['dog', 'cat', 'owl']`은 플롯에서 0을 'dog', 1을 'cat', 2를 'owl'로 대체합니다. 제공되지 않으면 `y_true`의 숫자 값이 사용됩니다.
y\_true의 고유 클래스 값 선택 목록으로, 플롯에 포함할 클래스입니다. 지정되지 않으면 y\_true의 모든 고유 클래스가 플롯됩니다.
재현율 값을 보간할 포인트 수입니다. 재현율 값은 \[0, 1] 범위에서 균등하게 분포된 `interp_size` 포인트로 고정되며, 정밀도는 그에 따라 보간됩니다.
플롯의 제목입니다. 기본값은 "정밀도-재현율 Curve"입니다.
테이블을 W\&B UI의 별도 섹션으로 분할할지 여부입니다. `True`이면 테이블이 "Custom Chart Tables"라는 섹션에 표시됩니다. 기본값은 `False`입니다.
반환값
`CustomChart`: W\&B에 로깅할 수 있는 맞춤형 차트 객체입니다. 차트를 로깅하려면 `wandb.log()`에 전달하세요.
예외
* `wandb.Error`: NumPy, pandas 또는 scikit-learn이 설치되어 있지 않은 경우.
예시
```python theme={"system"}
import wandb
# 스팸 탐지 예시 (이진 분류)
y_true = [0, 1, 1, 0, 1] # 0 = 스팸 아님, 1 = 스팸
y_probas = [
[0.9, 0.1], # 첫 번째 샘플의 예측 확률 (스팸 아님)
[0.2, 0.8], # 두 번째 샘플 (스팸), 이하 동일
[0.1, 0.9],
[0.8, 0.2],
[0.3, 0.7],
]
labels = ["not spam", "spam"] # 가독성을 위한 클래스 이름 (선택)
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})
```