> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-serverless-sft-revamp.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# confusion_matrix()
export const GitHubLink = ({url}) =>
GitHub source
;
### function `confusion_matrix`
```python theme={null}
confusion_matrix(
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
) → CustomChart
```
一連の確率または予測値から混同行列（confusion matrix）を作成します。
**Args:**
* `probs`: 各クラスの予測確率のシーケンス。形状は (N, K) である必要があります。ここで N はサンプル数、K はクラス数です。これが指定された場合、`preds` は指定しないでください。
* `y_true`: 正解ラベルのシーケンス。
* `preds`: 予測されたクラスラベルのシーケンス。これが指定された場合、`probs` は指定しないでください。
* `class_names`: クラス名のシーケンス。指定されない場合、クラス名は "Class\_1"、"Class\_2" などのように定義されます。
* `title`: 混同行列チャートのタイトル。
* `split_table`: テーブルを W\&B UI 上で別のセクションに分割するかどうか。`True` の場合、テーブルは "Custom Chart Tables" という名前のセクションに表示されます。デフォルトは `False` です。
**Returns:**
* `CustomChart`: W\&B にログを記録できるカスタムチャートオブジェクト。チャートをログに記録するには、`wandb.log()` に渡します。
**Raises:**
* `ValueError`: `probs` と `preds` の両方が指定された場合、または予測数と正解ラベル数が一致しない場合。また、ユニークな予測クラス数がクラス名リストの数を超えた場合、またはユニークな正解ラベル数がクラス名リストの数を超えた場合。
* `wandb.Error`: numpy がインストールされていない場合。
**Examples:**
野生動物の分類のために、ランダムな確率を使用して混同行列をログに記録する例：
```python theme={null}
import numpy as np
import wandb
# 野生動物のクラス名を定義
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# ランダムな正解ラベルを生成 (10サンプルに対して 0 から 3)
wildlife_y_true = np.random.randint(0, 4, size=10)
# 各クラスのランダムな確率を生成 (10サンプル x 4クラス)
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 を初期化し、混同行列をログに記録
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})
```
この例では、ランダムな確率を使用して混同行列が生成されます。
シミュレーションされたモデル予測と 85% の精度で混同行列をログに記録する例：
```python theme={null}
import numpy as np
import wandb
# 野生動物のクラス名を定義
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 200枚の動物画像に対する正解ラベルをシミュレート (不均衡な分布)
wildlife_y_true = np.random.choice(
[0, 1, 2, 3],
size=200,
p=[0.2, 0.3, 0.25, 0.25],
)
# 85% の精度を持つモデル予測をシミュレート
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 を初期化し、混同行列をログに記録
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})
```
この例では、混同行列を生成するために、85% の精度で予測がシミュレートされています。