> ## 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.
# pr_curve()
export const GitHubLink = ({url}) =>
GitHub source
;
### function `pr_curve`
```python theme={null}
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
```
PR 곡선 (Precision-Recall curve)을 생성합니다.
PR 곡선은 특히 불균형한 데이터셋에서 분류 모델을 평가하는 데 매우 유용합니다. PR 곡선 아래의 면적(AUC)이 넓을수록 높은 정밀도(낮은 거짓 양성 비율)와 높은 재현율(낮은 거짓 음성 비율)을 의미합니다. 이 곡선은 다양한 임계값 수준에서 거짓 양성과 거짓 음성 사이의 균형에 대한 통찰력을 제공하여 모델의 성능을 평가하는 데 도움을 줍니다.
**Args:**
* `y_true`: 실제 바이너리 레이블. 형태는 (`num_samples`,)여야 합니다.
* `y_probas`: 각 클래스에 대해 예측된 점수 또는 확률. 이는 확률 추정치, 신뢰 점수 또는 임계값이 적용되지 않은 결정 값일 수 있습니다. 형태는 (`num_samples`, `num_classes`)여야 합니다.
* `labels`: 차트 해석을 쉽게 하기 위해 `y_true`의 숫자 값을 대체할 클래스 이름의 선택적 리스트입니다. 예를 들어, `labels = ['dog', 'cat', 'owl']`로 설정하면 차트에서 0은 'dog', 1은 'cat', 2는 'owl'로 표시됩니다. 제공되지 않으면 `y_true`의 숫자 값이 그대로 사용됩니다.
* `classes_to_plot`: 차트에 포함할 `y_true`의 고유 클래스 값 선택적 리스트입니다. 지정하지 않으면 `y_true`에 있는 모든 고유 클래스가 그려집니다.
* `interp_size`: 재현율(recall) 값을 보간할 포인트의 수입니다. 재현율 값은 \[0, 1] 범위 내에서 균등하게 분포된 `interp_size`개의 포인트로 고정되며, 정밀도(precision)는 이에 따라 보간됩니다.
* `title`: 플롯의 제목. 기본값은 "Precision-Recall Curve"입니다.
* `split_table`: W\&B UI에서 테이블을 별도의 섹션으로 분리할지 여부입니다. `True`인 경우, 테이블은 "Custom Chart Tables"라는 섹션에 표시됩니다. 기본값은 `False`입니다.
**Returns:**
* `CustomChart`: W\&B에 로그를 남길 수 있는 커스텀 차트 오브젝트입니다. 차트를 로그하려면 `wandb.log()`에 전달하세요.
**Raises:**
* `wandb.Error`: NumPy, pandas 또는 scikit-learn이 설치되어 있지 않은 경우 발생합니다.
**Example:**
```python theme={null}
import wandb
# 스팸 감지 예시 (이진 분류)
y_true = [0, 1, 1, 0, 1] # 0 = 스팸 아님, 1 = 스팸
y_probas = [
[0.9, 0.1], # 첫 번째 샘플에 대한 예측 확률 (스팸 아님)
[0.2, 0.8], # 두 번째 샘플 (스팸) 등등
[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})
```