Проект
Отклоняйте разную длину списков и неизвестные метки, сохраняя нулевые счётчики для классов без наблюдений.
Рабочая среда с ИИ для кода
Матрицы ошибок классификации
Счётчик полезен, когда метки согласованы. MatrixTern — Windows-среда работы с кодом и ИИ, где можно изучить классификацию, порядок классов и случаи, которые нельзя потерять в сводке.
● ● ●MatrixTern●
Конкретная отправная точка · Матрицы ошибок классификации ×
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✳Постройте матрицу ошибок по ожидаемым и предсказанным меткам.
✓ ИзмененияПроверьте перед применением ↗
Иллюстрация рабочей среды
Проверьте перед применением
Сравните фактическое поведение с ожидаемым. Если проверка не проходит, разберитесь в причине перед следующими изменениями.
Подключение
Базовый URL, учётные данные и доступный сервер.
Конкретная отправная точка
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 matrixСделайте код оценки столь же доступным для проверки, как результат
MatrixTern предоставляет разработчикам среду с ИИ для Windows для изучения кода, стоящего за результатом оценки. Откройте папку проекта и укажите, что должен измерять отчёт, прежде чем просить изменения. Тогда обсуждение сможет связать расчёт, входные данные и код представления результата, не считая напечатанное число достаточным доказательством.
Для отчёта классификации попросите модель изучить, как ожидаемые и предсказанные метки становятся матрицей ошибок. Предоставьте заданный порядок меток и небольшой набор данных, количества в котором можете проверить сами. Такой запрос даёт конкретный способ обсуждения реализации без предположения, что отчёт уже независимо проверен.
Используйте предлагаемые правки для уточнения предположений, влияющих на интерпретацию: отклоняются ли неизвестные метки, как представлены пустые классы и обязаны ли длины входов совпадать. Изучите затронутые файлы и выполните тесты оценки. Сравните отображаемые метки с матрицей, а также проверьте правильность сумм.
Модель ИИ с ослабленными механизмами отказа может быть доступна через эндпоинт, совместимый с OpenAI или Anthropic, который вы настроите в MatrixTern. При необходимости добавьте учётные данные и проверьте подключение. Выбранные модель и сервер определяют ограничения, контекст и инструменты; их вывод остаётся предметом оценки вместе с данными проекта.
Проверка программы, стоящей за отчётом
Какой первый тестовый набор полезен для отчёта классификации?
Используйте короткую последовательность с известным верным предсказанием и известной ошибочной классификацией, явно задав порядок меток. Независимо рассчитайте ожидаемые количества. Это облегчает выявление перепутанных осей или несогласованной индексации меток.
Должны ли отсутствующие в выборке метки исчезать из вывода?
Определите, использует ли отчёт фиксированный набор меток или выводит его из каждой выборки. Покажите требование модели и изучите также код представления. Исчезающий класс может затруднить сравнение отчётов.
Ранжирует ли MatrixTern подключённые модели за меня?
Описанный процесс касается проверки вашего ПО для оценки. Ответ модели не является измеренным результатом бенчмарка. Вы определяете эксперимент, выполняете проверки и изучаете полученные свидетельства до выводов о любой системе.
Как обращаться с конфиденциальными примерами оценки?
Используйте характерные обезличенные тестовые данные и проверьте эндпоинт модели и подключённые инструменты до передачи данных. Даже отдельно работающий локальный сервер модели не делает каждый инструмент локальным, поэтому изучите весь путь данных.
MatrixTern · Обновлено 2026-10-25
