> ## 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.

# Custom Charts 개요

> 프로젝트 대시보드에서 대화형 시각화를 구현하려면 W&B Python SDK에서 커스텀 차트를 사용하세요.

W\&B의 커스텀 차트는 `wandb.plot` 네임스페이스에 있는 일련의 함수들을 통해 프로그래밍할 수 있습니다. 이 함수들은 W\&B Projects 대시보드에서 인터랙티브한 시각화를 생성하며, 혼동 행렬(confusion matrices), ROC 곡선, 분포도와 같은 일반적인 ML 시각화를 지원합니다.

## Available Chart Functions

| 함수                                                                         | 설명                                                                    |
| -------------------------------------------------------------------------- | --------------------------------------------------------------------- |
| [`confusion_matrix()`](/models/ref/python/custom-charts/confusion_matrix/) | 분류 성능 시각화를 위한 혼동 행렬을 생성합니다.                                           |
| [`roc_curve()`](/models/ref/python/custom-charts/roc_curve/)               | 이진 및 다중 클래스 분류기를 위한 ROC(Receiver Operating Characteristic) 곡선을 생성합니다. |
| [`pr_curve()`](/models/ref/python/custom-charts/pr_curve/)                 | 분류기 평가를 위한 PR 곡선 (Precision-Recall curves)을 구축합니다.                    |
| [`line()`](/models/ref/python/custom-charts/line/)                         | 테이블 형식의 데이터로부터 라인 차트를 구성합니다.                                          |
| [`scatter()`](/models/ref/python/custom-charts/scatter/)                   | 변수 간의 관계를 보여주는 산점도를 생성합니다.                                            |
| [`bar()`](/models/ref/python/custom-charts/bar/)                           | 범주형 데이터를 위한 바 차트를 생성합니다.                                              |
| [`histogram()`](/models/ref/python/custom-charts/histogram/)               | 데이터 분포 분석을 위한 히스토그램을 구축합니다.                                           |
| [`line_series()`](/models/ref/python/custom-charts/line_series/)           | 단일 차트에 여러 라인 시리즈를 플롯합니다.                                              |
| [`plot_table()`](/models/ref/python/custom-charts/plot_table/)             | Vega-Lite 사양을 사용하여 커스텀 차트를 생성합니다.                                     |

## Common Use Cases

### 모델 평가

* **분류**: 분류기 모델 평가를 위한 `confusion_matrix()`, `roc_curve()`, `pr_curve()`
* **회귀**: 예측값 vs 실제값 플롯을 위한 `scatter()` 및 잔차 분석을 위한 `histogram()`
* **Vega-Lite 차트**: 도메인 특화 시각화를 위한 `plot_table()`

### 트레이닝 모니터링

* **학습 곡선**: 에포크에 따른 메트릭 추적을 위한 `line()` 또는 `line_series()`
* **하이퍼파라미터 비교**: 설정 비교를 위한 `bar()` 차트

### 데이터 분석

* **분포 분석**: 피처 분포 확인을 위한 `histogram()`
* **상관관계 분석**: 변수 간 관계 파악을 위한 `scatter()` 플롯

## 시작하기

### 혼동 행렬(confusion matrix) 로그하기

```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 초기화
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
        )
    })
```

### 피처 분석을 위한 산점도(scatter plot) 구축하기

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

# 가상 데이터 생성
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"
        )
    })
```