roc_curve()

`fonction` `roc_curve`

roc_curve(
    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
) → CustomChart

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.

Exemple :

import numpy as np
import wandb

# Simuler un problème de classification de diagnostic médical avec trois maladies
n_samples = 200
n_classes = 3

# Vraies étiquettes : 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 afficher (afficher les trois maladies)
classes_to_plot = [0, 1, 2]

# Initialiser un run W&B et journaliser 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})

W&B Models

W&B Weave

Serverless Inference

Serverless Training

`fonction` `roc_curve`

​fonction roc_curve

`fonction` `roc_curve`