> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-weave-otel-prioritization.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# roc_curve()
export const GitHubLink = ({url}) =>
Source GitHub
;
## fonction wandb.plot.roc\_curve
```python theme={null}
y_true: 'Sequence[numbers.Number]',
y_probas: 'Sequence[Sequence[float]] | None' = None,
labels: 'list[str] | None' = None,
classes_to_plot: 'list[numbers.Number] | None' = None,
title: 'str' = 'ROC Curve',
split_table: 'bool' = False
```
Construit un graphique de courbe ROC (Receiver Operating Characteristic).
## Arguments
* `y_true` : Les véritables étiquettes de classe (vérité de terrain) pour la variable cible. La forme doit être (num\_samples,).
* `y_probas` : Les probabilités prédites ou les scores de décision pour chaque classe. La forme doit être (num\_samples, num\_classes).
* `labels` : Des libellés lisibles par l’humain correspondant aux indices de classe dans `y_true`. Par exemple, si `labels=['dog', 'cat']`, la classe 0 s’affichera comme 'dog' et la classe 1 comme 'cat' dans le graphique. Si None, les indices de classe bruts de `y_true` seront utilisés. La valeur par défaut est None.
* `classes_to_plot` : Un sous-ensemble d’étiquettes de classe uniques à inclure dans la courbe ROC. Si None, toutes les classes de `y_true` seront tracées. La valeur par défaut est None.
* `title` : Le titre du graphique de courbe ROC. La valeur par défaut est "ROC Curve".
* `split_table` : Indique si le tableau doit être placé dans une section distincte de l’UI W\&B. Si `True`, le tableau sera affiché dans une section nommée "Custom Chart Tables". La valeur par défaut est `False`.
## Retourne
`CustomChart` : Un objet de graphique personnalisé pouvant être enregistré dans W\&B. Pour enregistrer le graphique, passez-le à `wandb.log()`.
## Exceptions levées
* `wandb.Error`: Si numpy, pandas ou scikit-learn sont introuvables.
## Exemples
```python theme={null}
import numpy as np
import wandb
# Simuler un problème de classification de diagnostic médical avec trois maladies
n_samples = 200
n_classes = 3
# Étiquettes réelles : attribuer "Diabetes", "Hypertension" ou "Heart Disease" à
# chaque échantillon
disease_labels = ["Diabetes", "Hypertension", "Heart Disease"]
# 0 : Diabetes, 1 : Hypertension, 2 : Heart Disease
y_true = np.random.choice([0, 1, 2], size=n_samples)
# Probabilités prédites : simuler des prédictions en s'assurant que leur somme vaut 1
# pour chaque échantillon
y_probas = np.random.dirichlet(np.ones(n_classes), size=n_samples)
# Spécifier les classes à tracer (les trois maladies)
classes_to_plot = [0, 1, 2]
# Initialiser un W&B run et enregistrer un graphique de courbe ROC pour la classification des maladies
with wandb.init(project="medical_diagnosis") as run:
roc_plot = wandb.plot.roc_curve(
y_true=y_true,
y_probas=y_probas,
labels=disease_labels,
classes_to_plot=classes_to_plot,
title="ROC Curve for Disease Classification",
)
run.log({"roc-curve": roc_plot})
```