confusion_matrix()

fonction wandb.plot.confusion_matrix()

Construit une matrice de confusion à partir d’une séquence de probabilités ou de prédictions.

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

Arguments

Sequence[Sequence[float]] | None

Une séquence de probabilités prédites pour chaque classe. La forme de la séquence doit être (N, K), où N est le nombre d’échantillons et K le nombre de classes. Si ce paramètre est fourni, preds ne doit pas l’être.

Sequence[T] | None

Une séquence d’étiquettes réelles.

Sequence[T] | None

Une séquence d’étiquettes de classes prédites. Si ce paramètre est fourni, probs ne doit pas l’être.

Sequence[str] | None

Une séquence de noms de classes. S’ils ne sont pas fournis, les noms de classes sont définis comme « Class_1 », « Class_2 », etc.

str

Titre du graphique de la matrice de confusion.

bool

Indique si le tableau doit être placé dans une section distincte de l’interface W&B. Si True, le tableau s’affiche dans une section nommée « Custom Chart Tables ». La valeur par défaut est False.

Retourne

CustomChart : Un objet de graphique personnalisé pouvant être enregistré dans W&B. Pour enregistrer le graphique, passez-le à wandb.log().

Exceptions levées

ValueError: Si probs et preds sont tous deux fournis, ou si le nombre de prédictions et d’étiquettes réelles n’est pas identique. Si le nombre de classes prédites uniques dépasse le nombre de noms de classes, ou si le nombre d’étiquettes réelles uniques dépasse le nombre de noms de classes.
wandb.Error: Si numpy n’est pas installé.

Exemples

Journalisation d’une matrice de confusion avec des probabilités aléatoires pour la classification de la faune sauvage :

import numpy as np
import wandb

# Définir les noms de classes pour la faune sauvage
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]

# Générer des étiquettes réelles aléatoires (0 à 3 pour 10 échantillons)
wildlife_y_true = np.random.randint(0, 4, size=10)

# Générer des probabilités aléatoires pour chaque classe (10 échantillons x 4 classes)
wildlife_probs = np.random.rand(10, 4)
wildlife_probs = np.exp(wildlife_probs) / np.sum(
    np.exp(wildlife_probs),
    axis=1,
    keepdims=True,
)

# Initialiser le run W&B et enregistrer la matrice de confusion
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})

Dans cet exemple, des probabilités aléatoires sont utilisées pour générer une matrice de confusion. Journalisation d’une matrice de confusion avec des prédictions simulées d’un modèle et une précision de 85 % :

import numpy as np
import wandb

# Définir les noms de classes pour la faune sauvage
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]

# Simuler les étiquettes réelles pour 200 images d'animaux (distribution déséquilibrée)
wildlife_y_true = np.random.choice(
    [0, 1, 2, 3],
    size=200,
    p=[0.2, 0.3, 0.25, 0.25],
)

# Simuler les prédictions du modèle avec une précision de 85 %
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
]

# Initialiser le run W&B et enregistrer la matrice de confusion
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})

Dans cet exemple, des prédictions sont simulées avec une précision de 85 % afin de générer une matrice de confusion.

W&B Models

W&B Weave

Serverless Inference

Serverless Training

fonction wandb.plot.confusion_matrix()

Arguments

Retourne

Exceptions levées

Exemples

​fonction wandb.plot.confusion_matrix()

​Arguments

​Retourne

​Exceptions levées

​Exemples

fonction wandb.plot.confusion_matrix()

Arguments

Retourne

Exceptions levées

Exemples