pr_curve()

fonction wandb.plot.pr_curve()

Construit une courbe précision-rappel (PR). La courbe précision-rappel est particulièrement utile pour évaluer des classificateurs sur des jeux de données déséquilibrés. Une aire élevée sous la courbe PR indique à la fois une précision élevée (un faible taux de faux positifs) et un rappel élevé (un faible taux de faux négatifs). La courbe donne des indications sur l’équilibre entre faux positifs et faux négatifs à différents seuils, ce qui aide à évaluer les performances d’un modèle.

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

Iterable[T] | None

Étiquettes binaires réelles. La forme doit être (num_samples,).

Iterable[numbers.Number] | None

Scores ou probabilités prédits pour chaque classe. Il peut s’agir d’estimations de probabilité, de scores de confiance ou de valeurs de décision sans application de seuil. La forme doit être (num_samples, num_classes).

list[str] | None

Liste facultative de noms de classes permettant de remplacer les valeurs numériques de y_true afin de faciliter l’interprétation du graphique. Par exemple, labels = ['dog', 'cat', 'owl'] remplacera 0 par « dog », 1 par « cat » et 2 par « owl » dans le graphique. Si elle n’est pas fournie, les valeurs numériques de y_true seront utilisées.

list[T] | None

Liste facultative de valeurs de classe uniques issues de y_true à inclure dans le graphique. Si elle n’est pas spécifiée, toutes les classes uniques de y_true seront représentées.

int

Nombre de points auxquels interpoler les valeurs de rappel. Les valeurs de rappel seront fixées à interp_size points uniformément répartis dans l’intervalle [0, 1], et la précision sera interpolée en conséquence.

str

Titre du graphique. La valeur par défaut est « Precision-Recall Curve ».

bool

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

Renvoie

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

Exceptions levées

wandb.Error: Si NumPy, pandas ou scikit-learn n’est pas installé.

Exemples

import wandb

# Exemple de détection de spam (classification binaire)
y_true = [0, 1, 1, 0, 1]  # 0 = pas spam, 1 = spam
y_probas = [
    [0.9, 0.1],  # Probabilités prédites pour le premier échantillon (pas 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 la 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})

W&B Models

W&B Weave

Serverless Inference

Serverless Training

fonction wandb.plot.pr_curve()

Arguments

Renvoie

Exceptions levées

Exemples

​fonction wandb.plot.pr_curve()

​Arguments

​Renvoie

​Exceptions levées

​Exemples

fonction wandb.plot.pr_curve()

Arguments

Renvoie

Exceptions levées

Exemples