> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-serverless-sft-revamp.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# カスタムチャートの概要

> プロジェクト ダッシュボード でインタラクティブな 可視化 を行うために、W&B Python SDK でカスタムチャートを使用する

W\&B のカスタムチャートは、 `wandb.plot` 名前空間にある一連の関数を通じてプログラム可能です。これらの関数を使用することで、 W\&B プロジェクトのダッシュボードにインタラクティブな可視化を作成でき、混同行列、 ROC 曲線、分布プロットなどの一般的な ML の可視化をサポートしています。

## 利用可能なチャート関数

| 関数                                                                         | 説明                                 |
| -------------------------------------------------------------------------- | ---------------------------------- |
| [`confusion_matrix()`](/models/ref/python/custom-charts/confusion_matrix/) | 分類パフォーマンスの可視化のための混同行列を生成します。       |
| [`roc_curve()`](/models/ref/python/custom-charts/roc_curve/)               | 二値および多クラス分類器の受信者操作特性（ROC）曲線を作成します。 |
| [`pr_curve()`](/models/ref/python/custom-charts/pr_curve/)                 | 分類器の評価のための PR曲線 を構築します。            |
| [`line()`](/models/ref/python/custom-charts/line/)                         | テーブル形式のデータから折れ線グラフを作成します。          |
| [`scatter()`](/models/ref/python/custom-charts/scatter/)                   | 変数間の関係を示す散布図を作成します                 |
| [`bar()`](/models/ref/python/custom-charts/bar/)                           | カテゴリデータ用の棒グラフを生成します。               |
| [`histogram()`](/models/ref/python/custom-charts/histogram/)               | データの分布分析のためのヒストグラムを構築します。          |
| [`line_series()`](/models/ref/python/custom-charts/line_series/)           | 1 つのチャートに複数の系列の折れ線プロットを表示します。      |
| [`plot_table()`](/models/ref/python/custom-charts/plot_table/)             | Vega-Lite 仕様を使用してカスタムチャートを作成します。   |

## 一般的なユースケース

### モデルの評価

* **分類**: 分類器の評価のための `confusion_matrix()` 、 `roc_curve()` 、 `pr_curve()`
* **回帰**: 予測 vs. 実測値プロットのための `scatter()` や、残差分析のための `histogram()`
* **Vega-Lite チャート**: ドメイン固有の可視化のための `plot_table()`

### トレーニングのモニタリング

* **学習曲線**: エポック ごとの メトリクス を追跡するための `line()` または `line_series()`
* **ハイパーパラメーター の比較**: 設定 を比較するための `bar()` チャート

### データ分析

* **分布分析**: 特徴量の分布を確認するための `histogram()`
* **相関分析**: 変数間の関係を調査するための `scatter()` プロット

## はじめに

### 混同行列をログに記録する

```python theme={null}
import wandb

y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 2, 0, 1, 1]
class_names = ["class_0", "class_1", "class_2"]

# run を初期化
with wandb.init(project="custom-charts-demo") as run:
    run.log({
        "conf_mat": wandb.plot.confusion_matrix(
            y_true=y_true, 
            preds=y_pred,
            class_names=class_names
        )
    })
```

### 特徴量分析のための散布図を構築する

```python theme={null}
import numpy as np

# 合成データを生成
data_table = wandb.Table(columns=["feature_1", "feature_2", "label"])

with wandb.init(project="custom-charts-demo") as run:

    for _ in range(100):
        data_table.add_data(
            np.random.randn(), 
            np.random.randn(), 
            np.random.choice(["A", "B"])
        )

    run.log({
        "feature_scatter": wandb.plot.scatter(
            data_table, x="feature_1", y="feature_2",
            title="Feature Distribution"
        )
    })
```