> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-wbdocs-1882.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 맞춤형 차트 Overview

> Vega 시각화로 W&B 프로젝트에서 맞춤형 차트를 만드세요

W\&B 프로젝트에서 맞춤형 차트를 만드세요. 임의의 데이터 테이블을 로깅하고 원하는 형태로 정확하게 시각화하세요. [Vega](https://vega.github.io/vega/)의 강력한 기능을 활용해 글꼴, 색상, 툴팁의 세부 사항까지 제어할 수 있습니다.

* Code: 예제 [Colab Colab 노트북](https://tiny.cc/custom-charts)을 사용해 보세요.
* Video: [워크스루 비디오](https://www.youtube.com/watch?v=3-N9OV6bkSM)를 시청하세요.
* Example: 빠르게 살펴보는 Keras 및 Sklearn [데모 노트북](https://colab.research.google.com/drive/1g-gNGokPWM2Qbc8p1Gofud0_5AoZdoSD?usp=sharing)

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/gvIZGkH-i0H7aNZQ/images/app_ui/supported_charts.png?fit=max&auto=format&n=gvIZGkH-i0H7aNZQ&q=85&s=dc576f1a07067ee0757fa6e6d049faab" alt="vega.github.io/vega의 지원 차트" max-width="90%" width="2634" height="588" data-path="images/app_ui/supported_charts.png" />
</Frame>

<div id="how-it-works">
  ### 작동 방식
</div>

1. **데이터 로깅**: 스크립트에서 [설정](/ko/models/track/config/) 및 summary 데이터를 로깅합니다.
2. **차트 사용자 지정**: [GraphQL](https://graphql.org) 쿼리로 로깅된 데이터를 가져옵니다. 강력한 시각화 문법인 [Vega](https://vega.github.io/vega/)를 사용해 쿼리 결과를 시각화합니다.
3. **차트 로깅**: 스크립트에서 `wandb.plot_table()`을 사용해 자체 프리셋을 호출합니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/gvIZGkH-i0H7aNZQ/images/app_ui/pr_roc.png?fit=max&auto=format&n=gvIZGkH-i0H7aNZQ&q=85&s=f9e4f0b846b4d6b5a1142a9181944c1f" alt="PR 및 ROC 곡선" width="1114" height="422" data-path="images/app_ui/pr_roc.png" />
</Frame>

예상한 데이터가 보이지 않으면, 찾는 열이 선택한 run에 로깅되지 않았을 수 있습니다. 차트를 저장한 다음 Runs table로 돌아가 **eye** 아이콘을 사용해 선택한 run을 확인하세요.

<div id="log-charts-from-a-script">
  ## 스크립트에서 차트 로깅하기
</div>

<div id="builtin-presets">
  ### 기본 제공 프리셋
</div>

W\&B에는 스크립트에서 바로 로깅할 수 있는 기본 제공 차트 프리셋이 여러 가지 있습니다. 여기에는 선형 플롯, 산점도, 막대 차트, 히스토그램, PR 곡선, ROC 곡선이 포함됩니다.

<Tabs>
  <Tab title="선형 플롯">
    `wandb.plot.line()`

    맞춤형 선형 플롯을 기록합니다. 임의의 x축과 y축에서 (x, y) 점들을 순서대로 연결한 목록입니다.

    ```python theme={null}
    with wandb.init() as run:
      data = [[x, y] for (x, y) in zip(x_values, y_values)]
      table = wandb.Table(data=data, columns=["x", "y"])
      run.log(
          {
              "my_custom_plot_id": wandb.plot.line(
                  table, "x", "y", title="Custom Y vs X Line Plot"
              )
          }
      )
    ```

    선형 플롯은 임의의 두 차원에 걸친 곡선을 기록합니다. 두 개의 값 목록을 서로 대응시켜 플롯할 경우, 각 목록의 값 개수는 정확히 일치해야 합니다(예를 들어 각 점에는 x와 y가 모두 있어야 합니다).

    <Frame>
      <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/gvIZGkH-i0H7aNZQ/images/app_ui/line_plot.png?fit=max&auto=format&n=gvIZGkH-i0H7aNZQ&q=85&s=f64cbde29700a809bfcc2fc87e300a43" alt="맞춤형 선형 플롯" width="1930" height="1228" data-path="images/app_ui/line_plot.png" />
    </Frame>

    [예제 리포트 보기](https://wandb.ai/wandb/plots/reports/Custom-Line-Plots--VmlldzoyNjk5NTA) 또는 [예제 Google Colab 노트북 사용해 보기](https://tiny.cc/custom-charts).
  </Tab>

  <Tab title="산점도">
    `wandb.plot.scatter()`

    임의의 두 축 x와 y 위의 점 (x, y) 목록으로 이루어진 맞춤형 산점도를 기록합니다.

    ```python theme={null}
    with wandb.init() as run:
      data = [[x, y] for (x, y) in zip(class_x_prediction_scores, class_y_prediction_scores)]
      table = wandb.Table(data=data, columns=["class_x", "class_y"])
      run.log({"my_custom_id": wandb.plot.scatter(table, "class_x", "class_y")})
    ```

    이 기능을 사용해 임의의 두 차원에 산점도 점을 기록할 수 있습니다. 두 값 목록을 서로 대응해 그리는 경우에는 각 목록의 값 개수가 정확히 일치해야 합니다(예를 들어 각 점에는 x와 y가 모두 있어야 합니다).

    <Frame>
      <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/demo_scatter_plot.png?fit=max&auto=format&n=g98EkbyZbbkyMi8o&q=85&s=40f78eaa2a1be746a7953827ee135766" alt="산점도" width="2194" height="940" data-path="images/app_ui/demo_scatter_plot.png" />
    </Frame>

    [예시 Reports 참조](https://wandb.ai/wandb/plots/reports/Custom-Scatter-Plots--VmlldzoyNjk5NDQ) 또는 [예시 Google Colab 노트북 사용해 보기](https://tiny.cc/custom-charts).
  </Tab>

  <Tab title="막대 차트">
    `wandb.plot.bar()`

    몇 줄의 코드만으로 레이블이 지정된 값 목록을 막대로 나타내는 맞춤형 막대 차트를 기본 제공 방식으로 기록합니다.

    ```python theme={null}
    with wandb.init() as run:
      data = [[label, val] for (label, val) in zip(labels, values)]
      table = wandb.Table(data=data, columns=["label", "value"])
      run.log(
          {
              "my_bar_chart_id": wandb.plot.bar(
                  table, "label", "value", title="Custom Bar Chart"
              )
          }
      )
    ```

    임의의 막대 차트를 로깅하는 데 이 기능을 사용할 수 있습니다. 리스트의 레이블 개수와 값 개수는 정확히 일치해야 합니다(예를 들어 각 데이터 포인트에는 레이블과 값이 모두 있어야 합니다).

    <Frame>
      <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/demo_bar_plot.png?fit=max&auto=format&n=g98EkbyZbbkyMi8o&q=85&s=90a1c1a33087e1275c3a3d08454128e9" alt="데모 막대 플롯" width="659" height="579" data-path="images/app_ui/demo_bar_plot.png" />
    </Frame>

    [예제 리포트 보기](https://wandb.ai/wandb/plots/reports/Custom-Bar-Charts--VmlldzoyNzExNzk) 또는 [예제 Google Colab 노트북 사용해 보기](https://tiny.cc/custom-charts).
  </Tab>

  <Tab title="히스토그램">
    `wandb.plot.histogram()`

    몇 줄만으로 맞춤형 히스토그램을 기본 기능으로 기록할 수 있습니다. 즉, 값 목록을 발생 횟수/빈도에 따라 bins로 나눕니다. 예를 들어 예측 신뢰도 점수 목록(`scores`)이 있고, 그 분포를 시각화하려는 경우를 생각해 보겠습니다:

    ```python theme={null}
    with wandb.init() as run:
      data = [[s] for s in scores]
      table = wandb.Table(data=data, columns=["scores"])
      run.log({"my_histogram": wandb.plot.histogram(table, "scores", title=None)})
    ```

    임의의 히스토그램을 로깅하는 데 사용할 수 있습니다. `data`는 목록의 목록이며, 행과 열로 구성된 2D 배열을 지원하기 위한 형식입니다.

    <Frame>
      <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/demo_custom_chart_histogram.png?fit=max&auto=format&n=g98EkbyZbbkyMi8o&q=85&s=2c3e77548fa02c51b0a0da90d8dd208b" alt="맞춤형 히스토그램" width="1252" height="558" data-path="images/app_ui/demo_custom_chart_histogram.png" />
    </Frame>

    [예시 리포트 보기](https://wandb.ai/wandb/plots/reports/Custom-Histograms--VmlldzoyNzE0NzM) 또는 [예시 Google Colab 노트북 사용해 보기](https://tiny.cc/custom-charts).
  </Tab>

  <Tab title="PR 곡선">
    `wandb.plot.pr_curve()`

    한 줄로 [정밀도-재현율 곡선](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_curve.html#sklearn.metrics.precision_recall_curve)을 생성하세요:

    ```python theme={null}
    with wandb.init() as run:
      plot = wandb.plot.pr_curve(ground_truth, predictions, labels=None, classes_to_plot=None)

      run.log({"pr": plot})
    ```

    코드에서 다음 항목에 액세스할 수 있을 때마다 이를 로그할 수 있습니다.

    * 예제 집합에 대한 모델의 예측 점수(`predictions`)
    * 해당 예제의 정답 레이블(`ground_truth`)
    * (선택 사항) 레이블/클래스 이름 목록(`labels=["cat", "dog", "bird"...]`에서 레이블 인덱스 0이 cat, 1 = dog, 2 = bird 등을 의미하는 경우)
    * (선택 사항) 플롯에 시각화할 레이블의 하위 집합(여전히 목록 형식)

    <Frame>
      <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/demo_average_precision_lines.png?fit=max&auto=format&n=g98EkbyZbbkyMi8o&q=85&s=37aa67b46201dcd0e2fa0f0c40fbec9a" alt="정밀도-재현율 곡선" width="852" height="441" data-path="images/app_ui/demo_average_precision_lines.png" />
    </Frame>

    [예제 리포트 참조](https://wandb.ai/wandb/plots/reports/Plot-Precision-Recall-Curves--VmlldzoyNjk1ODY) 또는 [예제 Google Colab 노트북을 사용해 보세요](https://colab.research.google.com/drive/1mS8ogA3LcZWOXchfJoMrboW3opY1A8BY?usp=sharing).
  </Tab>

  <Tab title="ROC 곡선">
    `wandb.plot.roc_curve()`

    한 줄로 [ROC 곡선](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html#sklearn.metrics.roc_curve)을 생성하세요:

    ```python theme={null}
    with wandb.init() as run:
      # ground_truth는 실제 레이블의 목록이고, predictions는 예측 점수의 목록입니다
      ground_truth = [0, 1, 0, 1, 0, 1]
      predictions = [0.1, 0.4, 0.35, 0.8, 0.7, 0.9]

      # ROC 커브 플롯 생성
      # labels는 클래스 이름의 선택 목록이고, classes_to_plot은 시각화할 레이블의 선택적 하위 집합입니다
      plot = wandb.plot.roc_curve(
          ground_truth, predictions, labels=None, classes_to_plot=None
      )

      run.log({"roc": plot})
    ```

    코드에서 다음 항목을 사용할 수 있을 때마다 이를 로깅할 수 있습니다.

    * 예제 집합에 대한 모델의 예측 점수(`predictions`)
    * 해당 예제에 대한 정답 레이블(`ground_truth`)
    * (선택) 레이블/클래스 이름 목록(`labels=["cat", "dog", "bird"...]`에서 레이블 인덱스 0이 cat, 1 = dog, 2 = bird 등을 의미하는 경우)
    * (선택) 플롯에 시각화할 이 레이블들의 하위 집합(여전히 목록 형식)

    <Frame>
      <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/demo_custom_chart_roc_curve.png?fit=max&auto=format&n=g98EkbyZbbkyMi8o&q=85&s=a6b519ea9bf0659832cbe2973873db3f" alt="ROC 곡선" width="1338" height="788" data-path="images/app_ui/demo_custom_chart_roc_curve.png" />
    </Frame>

    [예제 리포트 보기](https://wandb.ai/wandb/plots/reports/Plot-ROC-Curves--VmlldzoyNjk3MDE) 또는 [예제 Google Colab 노트북 사용해 보기](https://colab.research.google.com/drive/1_RMppCqsA8XInV_jhJz32NCZG6Z5t1RO?usp=sharing).
  </Tab>
</Tabs>

<div id="custom-presets">
  ### 맞춤형 프리셋
</div>

기본 제공 프리셋을 조정하거나 새 프리셋을 만든 다음 차트를 저장하세요. 차트 ID를 사용하면 스크립트에서 바로 해당 맞춤형 프리셋에 데이터를 로깅할 수 있습니다. [예제 Google Colab 노트북을 사용해 보세요](https://tiny.cc/custom-charts).

```python theme={null}
# 플롯할 열이 포함된 테이블 생성
table = wandb.Table(data=data, columns=["step", "height"])

# 테이블의 열을 차트의 필드에 매핑
fields = {"x": "step", "value": "height"}

# 테이블을 사용하여 새 맞춤형 차트 프리셋 채우기
# 저장된 차트 프리셋을 사용하려면 vega_spec_name을 변경
my_custom_chart = wandb.plot_table(
    vega_spec_name="carey/new_chart",
    data_table=table,
    fields=fields,
)
```

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/custom_presets.png?fit=max&auto=format&n=g98EkbyZbbkyMi8o&q=85&s=f7106f322c9b354356c8f928b52548ca" alt="맞춤형 차트 프리셋" max-width="90%" width="2946" height="728" data-path="images/app_ui/custom_presets.png" />
</Frame>

<div id="log-data">
  ## 데이터 로깅
</div>

스크립트에서 다음 데이터 유형을 로깅하고 맞춤형 차트에서 사용할 수 있습니다.

* **Config**: 실험의 초기 설정(독립 변수)입니다. 여기에는 트레이닝 시작 시 `wandb.Run.config`에 키로 로깅한 모든 이름 있는 필드가 포함됩니다. 예: `wandb.Run.config.learning_rate = 0.0001`
* **Summary**: 트레이닝 중 로깅된 단일 값(결과 또는 종속 변수)입니다. 예를 들어 `wandb.Run.log({"val_acc" : 0.8})`와 같습니다. 트레이닝 중 `wandb.Run.log()`를 통해 이 키에 여러 번 기록하면, summary는 해당 키의 마지막 값으로 설정됩니다.
* **History**: 로깅된 스칼라의 전체 시계열은 `history` 필드를 통해 쿼리할 수 있습니다.
* **summaryTable**: 여러 값의 목록을 로깅해야 한다면 `wandb.Table()`을 사용해 해당 데이터를 저장한 다음, 맞춤형 패널에서 쿼리하세요.
* **historyTable**: 이력 데이터를 확인해야 한다면 맞춤형 차트 패널에서 `historyTable`을 쿼리하세요. `wandb.Table()`을 호출하거나 맞춤형 차트를 로깅할 때마다 해당 step의 이력에 새 테이블이 생성됩니다.

<div id="how-to-log-a-custom-table">
  ### 맞춤형 테이블을 로깅하는 방법
</div>

`wandb.Table()`을 사용해 데이터를 2차원 배열로 로깅합니다. 일반적으로 이 테이블의 각 행은 하나의 데이터 포인트를 나타내며, 각 열은 시각화하려는 각 데이터 포인트의 관련 필드/차원을 나타냅니다. 맞춤형 패널을 설정하면 전체 테이블은 `wandb.Run.log()`에 전달한 키 이름(아래의 `custom_data_table`)으로 접근할 수 있고, 개별 필드는 열 이름(`x`, `y`, `z`)으로 접근할 수 있습니다. 실험 전반에 걸쳐 여러 time step에서 테이블을 로깅할 수 있습니다. 각 테이블의 최대 크기는 10,000행입니다. [Google Colab에서 예제를 사용해 보세요](https://tiny.cc/custom-charts).

```python theme={null}
with wandb.init() as run:
  # 맞춤형 데이터 테이블 logging
  my_custom_data = [[x1, y1, z1], [x2, y2, z2]]
  run.log(
      {"custom_data_table": wandb.Table(data=my_custom_data, columns=["x", "y", "z"])}
  )
```

<div id="customize-the-chart">
  ## 차트 사용자 지정
</div>

시작하려면 새 맞춤형 차트를 추가한 다음, 표시 중인 run에서 데이터를 선택하도록 쿼리를 편집합니다. 이 쿼리는 [GraphQL](https://graphql.org)을 사용해 run의 설정, summary, 이력 필드에서 데이터를 가져옵니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/customize_chart.gif?s=29b7fe50cabaf15655c2b107db7306dc" alt="맞춤형 차트 생성" max-width="90%" width="1942" height="1334" data-path="images/app_ui/customize_chart.gif" />
</Frame>

<div id="custom-visualizations">
  ### 맞춤형 시각화
</div>

우측 상단에서 **Chart**를 선택해 기본 프리셋으로 시작합니다. 다음으로 **Chart fields**를 선택하여 쿼리에서 가져온 데이터를 차트의 해당 필드에 매핑합니다.

다음 이미지는 메트릭을 선택한 다음 이를 아래의 막대 차트 필드에 매핑하는 예를 보여줍니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-wbdocs-1882/g98EkbyZbbkyMi8o/images/app_ui/demo_make_a_custom_chart_bar_chart.gif?s=55e8ccefcb9125d9758a42f02d5eab09" alt="맞춤형 막대 차트 만들기" max-width="90%" width="2804" height="1588" data-path="images/app_ui/demo_make_a_custom_chart_bar_chart.gif" />
</Frame>

<div id="how-to-edit-vega">
  ### Vega 편집 방법
</div>

패널 상단의 **Edit**를 클릭해 [Vega](https://vega.github.io/vega/) 편집 모드로 들어갑니다. 여기에서 UI에서 대화형 차트를 만드는 [Vega specification](https://vega.github.io/vega/docs/specification/)을 정의할 수 있습니다. 차트의 모든 요소를 변경할 수 있습니다. 예를 들어 제목을 바꾸거나, 다른 색상 구성표를 선택하거나, 곡선을 연결된 선 대신 일련의 점으로 표시할 수 있습니다. 또한 Vega transform을 사용해 값 배열을 히스토그램으로 binning하는 것처럼 데이터 자체를 변경할 수도 있습니다. 패널 미리보기는 대화형으로 업데이트되므로 Vega 사양이나 쿼리를 편집하면서 변경 사항이 어떻게 반영되는지 확인할 수 있습니다. [Vega documentation and tutorials ](https://vega.github.io/vega/)을 참고하세요.

**필드 참조**

W\&B의 데이터를 차트에 가져오려면 Vega 사양의 아무 위치에나 `"${field:<field-name>}"` 형식의 템플릿 문자열을 추가하세요. 그러면 오른쪽의 **Chart Fields** 영역에 드롭다운이 생성되고, 사용자는 이를 사용해 Vega에 매핑할 쿼리 결과 열을 선택할 수 있습니다.

필드의 기본값을 설정하려면 다음 구문을 사용하세요: `"${field:<field-name>:<placeholder text>}"`

<div id="saving-chart-presets">
  ### 차트 프리셋 저장
</div>

모달 하단의 버튼을 사용해 특정 시각화 패널에 변경 사항을 적용합니다. 또는 Vega 사양을 저장해 프로젝트의 다른 곳에서도 사용할 수 있습니다. 재사용 가능한 차트 정의를 저장하려면 Vega 편집기 상단의 **다른 이름으로 저장**을 클릭한 다음 프리셋 이름을 지정하세요.

<div id="articles-and-guides">
  ## 아티클 및 가이드
</div>

1. [W\&B 머신 러닝 시각화 IDE](https://wandb.ai/wandb/posts/reports/The-W-B-Machine-Learning-Visualization-IDE--VmlldzoyNjk3Nzg)
2. [맞춤형 차트를 사용해 NLP 어텐션 기반 모델 시각화하기](https://wandb.ai/kylegoyette/gradientsandtranslation2/reports/Visualizing-NLP-Attention-Based-Models-Using-Custom-Charts--VmlldzoyNjg2MjM)
3. [맞춤형 차트를 사용해 어텐션이 그라디언트 흐름에 미치는 영향 시각화하기](https://wandb.ai/kylegoyette/gradientsandtranslation/reports/Visualizing-The-Effect-of-Attention-on-Gradient-Flow-Using-Custom-Charts--VmlldzoyNjg1NDg)
4. [임의의 곡선 로깅하기](https://wandb.ai/stacey/presets/reports/Logging-Arbitrary-Curves--VmlldzoyNzQyMzA)

<div id="common-use-cases">
  ## 일반적인 사용 사례
</div>

* 오차 막대가 포함된 막대 플롯 사용자 지정
* 사용자 지정 x-y 좌표가 필요한 모델 검증 메트릭 표시(예: 정밀도-재현율 곡선)
* 서로 다른 두 모델/실험의 데이터 분포를 히스토그램으로 겹쳐 표시
* 트레이닝 중 여러 시점의 스냅샷을 통해 메트릭 변화를 표시
* 아직 W\&B에서 제공하지 않는 고유한 시각화를 만들기(그리고 이를 세상과 공유하기)