> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-update-reference-docs-60.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# confusion_matrix()
export const GitHubLink = ({url, compact = false}) =>
{compact ? "소스 보기" : <>
GitHub 소스 코드
}
;
## 함수 wandb.plot.confusion\_matrix()
확률 또는 예측 시퀀스로 혼동 행렬을 생성합니다.
```python theme={null}
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
```
## 인수
각 클래스의 예측 확률 시퀀스입니다. 시퀀스의 형태는 (N, K)여야 합니다. 여기서 N은 샘플 수이고 K는 클래스 수입니다. 이 값을 제공하는 경우 `preds`를 제공해서는 안 됩니다.
실제 레이블의 시퀀스입니다.
예측 클래스 레이블의 시퀀스입니다. 이 값을 제공하는 경우 `probs`를 제공해서는 안 됩니다.
클래스 이름의 시퀀스입니다. 제공하지 않으면 클래스 이름은 "Class\_1", "Class\_2" 등으로 정의됩니다.
혼동 행렬 차트의 제목입니다.
테이블을 W\&B UI의 별도 섹션으로 분리할지 여부입니다. `True`이면 테이블이 "Custom Chart Tables" 섹션에 표시됩니다. 기본값은 `False`입니다.
## 반환값
`CustomChart`: W\&B에 로깅할 수 있는 맞춤형 차트 객체입니다. 차트를 로깅하려면 `wandb.log()`에 전달하세요.
## 예외
* `ValueError`: `probs`와 `preds`가 모두 제공되었거나, 예측값 수와 실제 레이블 수가 서로 다를 경우 발생합니다. 고유한 예측 클래스 수가 클래스 이름 수를 초과하거나, 고유한 실제 레이블 수가 클래스 이름 수를 초과하는 경우에도 발생합니다.
* `wandb.Error`: numpy가 설치되어 있지 않으면 발생합니다.
## 예시
야생동물 분류에 대한 무작위 확률로 혼동 행렬을 로깅하는 예시:
```python theme={null}
import numpy as np
import wandb
# 야생동물 클래스 이름 정의
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 무작위 실제 레이블 생성 (10개 샘플에 대해 0~3)
wildlife_y_true = np.random.randint(0, 4, size=10)
# 각 클래스에 대한 무작위 확률 생성 (10개 샘플 x 4개 클래스)
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 사용해 혼동
행렬을 생성합니다.
시뮬레이션된 모델 예측과 정확도 85%로
혼동 행렬을 로깅하는 예시:
```python theme={null}
import numpy as np
import wandb
# 야생동물 클래스 이름 정의
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 200개 동물 이미지에 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],
)
# 85% 정확도로 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 정확도 85%의 예측을 시뮬레이션하여 혼동 행렬을 생성합니다.