> ## 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.
# confusion_matrix()
export const GitHubLink = ({url}) =>
GitHub のソース
;
## 関数 wandb.plot.confusion\_matrix
```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
```
確率または予測のシーケンスから混同行列を作成します。
## 引数
* `probs`: 各クラスに対する予測確率のシーケンス。シーケンスの形状は (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。これを指定する場合、`preds` は指定しないでください。
* `y_true`: 真のラベルのシーケンス。
* `preds`: 予測クラスラベルのシーケンス。これを指定する場合、`probs` は指定しないでください。
* `class_names`: クラス名のシーケンス。指定しない場合、クラス名は "Class\_1"、"Class\_2" などになります。
* `title`: 混同行列チャートのタイトル。
* `split_table`: 表を W\&B UI の別セクションに分けるかどうか。`True` の場合、表は "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。
## 戻り値
`CustomChart`: W\&B にログできるカスタムチャートオブジェクト。チャートをログするには、これを `wandb.log()` に渡します。
## Raises
* `ValueError`: `probs` と `preds` の両方が指定された場合、または予測数と真のラベル数が一致しない場合に発生します。また、予測された一意のクラス数がクラス名の数を超える場合や、一意の真のラベル数がクラス名の数を超える場合にも発生します。
* `wandb.Error`: numpy がインストールされていない場合に発生します。
## 例
野生生物の分類で、ランダムな確率を使って混同行列をログする例:
```python theme={null}
import numpy as np
import wandb
# 野生動物のクラス名を定義する
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# ランダムな真のラベルを生成する（10サンプルに対して0〜3）
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する（10サンプル × 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を初期化して混同行列をログする
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を生成します。
シミュレートしたモデルの予測と 85%
の精度で混同行列をログする例:
```python theme={null}
import numpy as np
import wandb
# 野生動物のクラス名を定義する
wildlife_class_names = ["Lion", "Tiger", "Elephant", "Zebra"]
# 200枚の動物画像の真のラベルをシミュレートする（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],
)
# 正解率85%でモデルの予測をシミュレートする
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を初期化して混同行列をログする
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、精度 85% の予測をシミュレートして
混同行列を生成します。