> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-sandboxes-integrations-placement.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

> W&B Python SDK でカスタムチャートを使用し、プロジェクトのダッシュボードでインタラクティブな可視化を行います

W\&B のカスタムチャートは、`wandb.plot` 名前空間の関数群を使って作成できます。これらの関数を使うと、W\&B の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作成でき、混同行列、ROC 曲線、分布プロットなど、一般的な ML 可視化に対応しています。

<div id="available-chart-functions">
  ## 利用可能なチャート関数
</div>

| 関数                                                                            | 説明                               |
| ----------------------------------------------------------------------------- | -------------------------------- |
| [`confusion_matrix()`](/ja/models/ref/python/custom-charts/confusion_matrix/) | 分類のパフォーマンスを可視化する混同行列を生成します。      |
| [`roc_curve()`](/ja/models/ref/python/custom-charts/roc_curve/)               | 二値分類器および多クラス分類器向けの ROC 曲線を作成します。 |
| [`pr_curve()`](/ja/models/ref/python/custom-charts/pr_curve/)                 | 分類器の評価用に適合率-再現率曲線を作成します。         |
| [`line()`](/ja/models/ref/python/custom-charts/line/)                         | 表形式データから折れ線チャートを作成します。           |
| [`scatter()`](/ja/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()`](/ja/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()`](/ja/models/ref/python/custom-charts/histogram/)               | データ分布を分析するヒストグラムを作成します。          |
| [`line_series()`](/ja/models/ref/python/custom-charts/line_series/)           | 1 つのチャートに複数の折れ線系列をプロットします。       |
| [`plot_table()`](/ja/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。 |

<div id="common-use-cases">
  ## 一般的なユースケース
</div>

<div id="model-evaluation">
  ### モデルの評価
</div>

* **分類**: 分類器の評価には `confusion_matrix()`、`roc_curve()`、`pr_curve()` を使用
* **回帰**: 予測値と実測値のプロットには `scatter()`、残差分析には `histogram()` を使用
* **Vega-Lite Charts**: ドメイン固有の可視化には `plot_table()` を使用

<div id="training-monitoring">
  ### トレーニングのモニタリング
</div>

* **学習曲線**: エポックごとのメトリクスをトラッキングするには、`line()` または `line_series()`
* **ハイパーパラメーターの比較**: 設定を比較するには、`bar()` チャート

<div id="data-analysis">
  ### データ分析
</div>

* **分布分析**: 特徴量の分布には `histogram()` を使用します
* **相関分析**: 変数間の関係には `scatter()` プロットを使用します

<div id="getting-started">
  ## はじめに
</div>

<div id="log-a-confusion-matrix">
  ### 混同行列をログする
</div>

```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を初期化する
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
        )
    })
```

<div id="build-a-scatter-plot-for-feature-analysis">
  ### 特徴分析のための散布プロットを作成する
</div>

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

# 合成データを生成する
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"
        )
    })

```