프로젝트
길이 불일치와 알 수 없는 라벨을 거부하고 한 번도 관측되지 않은 클래스의 개수는 0으로 유지하세요.
● ● ●MatrixTern●
작업 흐름 · 분류 혼동 행렬 ×
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✳정답 라벨과 예측 라벨로 혼동 행렬을 만드세요.
✓ 변경 사항적용하기 전에 검토하세요 ↗
작업 공간 예시 화면
적용하기 전에 검토하세요
실제 동작을 예상 결과와 비교하세요. 검사가 실패하면 다음 변경을 하기 전에 원인을 조사하세요.
모델
기본 URL과 필요한 API 키로 OpenAI 호환 또는 Anthropic 엔드포인트를 설정하고 연결을 테스트하세요. 로컬 모델 서버는 실행 중이어야 합니다. 원격 도구는 데이터를 별도로 전송할 수 있습니다.
작업 흐름
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 matrix평가 코드를 결과만큼 검토하기 쉽게 만드세요
MatrixTern은 평가 결과의 기반 코드를 살펴볼 Windows AI 작업 공간을 개발자에게 제공합니다. 프로젝트 폴더를 열고 변경을 요청하기 전에 보고서가 무엇을 측정해야 하는지 명시하세요. 그러면 출력된 숫자만 충분한 증거로 보지 않고 계산, 입력, 결과 표시 코드를 대화에서 연결할 수 있습니다.
분류 보고서에서는 실제 레이블과 예측 레이블이 혼동 행렬이 되는 방식을 검토하도록 모델에게 요청하세요. 선언한 레이블 순서와 직접 개수를 확인할 수 있는 작은 테스트 데이터를 제공하세요. 이 요청은 보고서가 이미 독립적으로 검증되었다고 가정하지 않고 구현을 구체적으로 논의할 방법을 제공합니다.
제안된 편집으로 해석에 영향을 주는 가정을 명확히 하세요. 알 수 없는 레이블을 거부하는지, 빈 클래스를 어떻게 표현하는지, 입력 길이가 같아야 하는지 등을 다룹니다. 영향받는 파일을 검토하고 평가 테스트를 실행하세요. 합계가 맞는지 확인하는 것뿐 아니라 표시된 레이블을 기반 행렬과 비교하세요.
MatrixTern에 설정한 OpenAI 호환 또는 Anthropic 엔드포인트에서 거부 제한 완화 AI 모델을 제공할 수 있습니다. 필요하면 인증 정보를 추가하고 연결을 확인하세요. 선택한 모델과 서버가 제한, 컨텍스트, 도구를 정합니다. 그 출력 역시 프로젝트 근거와 함께 평가해야 합니다.
보고서 기반 소프트웨어 확인
분류 보고서의 첫 테스트 데이터로 무엇이 유용한가요?
알려진 정답 예측과 오분류가 있는 짧은 시퀀스를 사용하고 레이블 순서를 명시하세요. 예상 개수는 독립적으로 계산하세요. 검토 중 뒤바뀐 축이나 일관되지 않은 레이블 인덱싱을 찾기 쉬워집니다.
샘플에 없는 레이블은 출력에서 사라져야 하나요?
보고서가 고정 레이블 집합을 쓸지 각 샘플에서 도출할지 결정하세요. 요구사항을 모델에게 제시하고 표시 코드도 살펴보세요. 클래스가 사라지면 보고서 비교가 어려워질 수 있습니다.
MatrixTern이 연결한 모델의 순위를 매겨 주나요?
여기 설명된 작업 흐름은 사용자의 평가 소프트웨어 검토에 관한 것입니다. 모델 응답은 측정된 벤치마크 결과가 아닙니다. 실험을 정의하고 검사를 실행하며 결과 근거를 살펴본 뒤 시스템에 대한 결론을 내려야 합니다.
민감한 평가 샘플은 어떻게 처리해야 하나요?
민감 정보를 제거한 대표 테스트 데이터를 사용하고 데이터를 공유하기 전에 모델 엔드포인트와 연결된 도구를 검토하세요. 별도로 실행되는 로컬 모델 서버도 모든 도구를 로컬로 만들지는 않으므로 전체 데이터 경로를 살펴보세요.
MatrixTern · 업데이트 2026-10-25
