Modèles
Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément.
Produit
Fonctions du logiciel · Matrices de confusion de classification
01
Refusez les longueurs différentes et les étiquettes inconnues, en gardant des comptes nuls pour les classes jamais observées.
Projet
Sélectionnez un dossier et demandez à l’assistant de lire les fichiers concernés avant de les modifier. Définissez le résultat attendu et les limites de la tâche.
Modifications
Examinez les changements et les sorties de commandes. Lancez les vérifications du projet avant de valider le résultat : le code généré n’est pas testé automatiquement.
Matrices de confusion de classification
● ● ●MatrixTern●
Méthodes de travail · Matrices de confusion de classification ×
def confusion(expected, predicted, labels):
if len(expected) != len(predicted) or len(set(labels)) != len(labels):
raise ValueError("labels or lengths")
index = {label: i for i, label in enumerate(labels)}
matrix = [[0] * len(labels) for _ in labels]
for actual, guess in zip(expected, predicted):
if actual not in index or guess not in index:
raise ValueError("unknown label")
matrix[index[actual]][index[guess]] += 1
return matrix✳Construisez une matrice de confusion à partir des étiquettes attendues et prédites.
✓ ModificationsVérifiez avant d’appliquer ↗
Illustration de l’espace de travail
