pr_curve()

​

함수 pr_curve

pr_curve(
    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
) → CustomChart

정밀도-재현율(PR) 곡선을 생성합니다.

정밀도-재현율 곡선은 특히 불균형 데이터셋에서 분류기를 평가할 때 유용합니다. PR 곡선 아래 면적이 크다는 것은 높은 정밀도(낮은 거짓 양성 비율)와 높은 재현율(낮은 거짓 음성 비율)을 모두 의미합니다. 이 곡선은 다양한 임곗값 수준에서 거짓 양성과 거짓 음성 간의 균형을 파악할 수 있게 해 주어 모델 성능 평가에 도움이 됩니다.

Args:

• y_true: 실제 이진 레이블입니다. shape는 (num_samples,)이어야 합니다.
• y_probas: 각 클래스에 대한 예측 점수 또는 확률입니다. 확률 추정치, 신뢰도 점수 또는 임곗값이 적용되지 않은 결정값일 수 있습니다. shape는 (num_samples, num_classes)이어야 합니다.
• labels: 플롯을 더 쉽게 해석할 수 있도록 y_true의 숫자 값을 대체할 클래스 이름의 선택 목록입니다. 예를 들어 labels = ['dog', 'cat', 'owl']이면 플롯에서 0은 ‘dog’로, 1은 ‘cat’으로, 2는 ‘owl’로 대체됩니다. 제공하지 않으면 y_true의 숫자 값이 사용됩니다.
• classes_to_plot: 플롯에 포함할 y_true의 고유 클래스 값 선택 목록입니다. 지정하지 않으면 y_true의 모든 고유 클래스가 플롯에 표시됩니다.
• interp_size: 재현율 값을 보간할 점의 개수입니다. 재현율 값은 [0, 1] 범위에 균등하게 분포된 interp_size개의 점으로 고정되며, 정밀도는 이에 맞춰 보간됩니다.
• title: 플롯 제목입니다. 기본값은 “Precision-Recall Curve”입니다.
• split_table: W&B UI에서 table을 별도 section으로 분리할지 여부입니다. True이면 table은 “Custom Chart Tables”라는 이름의 section에 표시됩니다. 기본값은 False입니다.

Returns:

• CustomChart: W&B에 로깅할 수 있는 맞춤형 차트 객체입니다. 차트를 로깅하려면 wandb.log()에 전달하세요.

Raises:

• wandb.Error: NumPy, pandas 또는 scikit-learn이 설치되어 있지 않은 경우 예외가 발생합니다.

Example:

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), 이후 동일
    [0.1, 0.9],
    [0.8, 0.2],
    [0.3, 0.7],
]

labels = ["not spam", "spam"]  # 가독성을 위한 선택적 클래스 이름

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})