Aperçu des graphiques personnalisés - Weights & Biases Documentation

Les graphiques personnalisés de W&B se programment à l’aide d’un ensemble de fonctions de l’espace de noms wandb.plot. Ces fonctions créent des visualisations interactives dans les tableaux de bord des projets W&B et prennent en charge des visualisations ML courantes, comme les matrices de confusion, les courbes ROC et les graphiques de distribution.

Fonctions de graphique disponibles

Fonction	Description
`confusion_matrix()`	Génère des matrices de confusion pour visualiser les performances de classification.
`roc_curve()`	Crée des courbes ROC (Receiver Operating Characteristic) pour les classificateurs binaires et multiclasse.
`pr_curve()`	Construit des courbes précision-rappel pour évaluer les classificateurs.
`line()`	Construit des graphiques en courbes à partir de données tabulaires.
`scatter()`	Crée des nuages de points pour représenter les relations entre variables.
`bar()`	Génère des graphiques en barres pour les données catégorielles.
`histogram()`	Construit des histogrammes pour analyser la distribution des données.
`line_series()`	Trace plusieurs séries sur un même graphique.
`plot_table()`	Crée des graphiques personnalisés à l’aide de spécifications Vega-Lite.

Cas d’usage courants

Évaluation du modèle

Classification : confusion_matrix(), roc_curve() et pr_curve() pour évaluer les classificateurs
Régression : scatter() pour les graphiques comparant les prédictions aux valeurs réelles, et histogram() pour l’analyse des résidus
Graphiques Vega-Lite : plot_table() pour des visualisations spécifiques au domaine

Suivi de l’entraînement

Courbes d’apprentissage: line() ou line_series() pour suivre les métriques au fil des époques
Comparaison des hyperparamètres: graphiques bar() pour comparer les configurations

Analyse des données

Analyse de la distribution : histogram() pour visualiser la distribution des variables
Analyse de corrélation : graphiques scatter() pour visualiser les relations entre variables

Premiers pas

Journaliser une matrice de confusion

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"]

# Initialiser un run
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
        )
    })

Créer un nuage de points pour l’analyse des variables

import numpy as np

# Générer des données synthétiques
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"
        )
    })

​Fonctions de graphique disponibles

​Cas d’usage courants

​Évaluation du modèle

​Suivi de l’entraînement

​Analyse des données

​Premiers pas

​Journaliser une matrice de confusion

​Créer un nuage de points pour l’analyse des variables