메인 콘텐츠로 건너뛰기
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

함수설명
confusion_matrix()분류 성능 시각화를 위한 혼동 행렬을 생성합니다.
roc_curve()이진 및 다중 클래스 분류기를 위한 ROC(Receiver Operating Characteristic) 곡선을 생성합니다.
pr_curve()분류기 평가를 위한 PR 곡선 (Precision-Recall curves)을 구축합니다.
line()테이블 형식의 데이터로부터 라인 차트를 구성합니다.
scatter()변수 간의 관계를 보여주는 산점도를 생성합니다.
bar()범주형 데이터를 위한 바 차트를 생성합니다.
histogram()데이터 분포 분석을 위한 히스토그램을 구축합니다.
line_series()단일 차트에 여러 라인 시리즈를 플롯합니다.
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

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

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"
        )
    })