メインコンテンツへスキップ
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()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()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()分類器の評価のための PR曲線 を構築します。
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()変数間の関係を示す散布図を作成します
bar()カテゴリデータ用の棒グラフを生成します。
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()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()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

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

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"
        )
    })