> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Aperçu des graphiques personnalisés

> Utilisez des graphiques personnalisés dans le W&B Python SDK pour créer des visualisations interactives dans les tableaux de bord des projets

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.

<div id="available-chart-functions">
  ## Fonctions de graphique disponibles
</div>

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

<div id="common-use-cases">
  ## Cas d’usage courants
</div>

<div id="model-evaluation">
  ### Évaluation du modèle
</div>

* **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

<div id="training-monitoring">
  ### Suivi de l’entraînement
</div>

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

<div id="data-analysis">
  ### Analyse des données
</div>

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

<div id="getting-started">
  ## Premiers pas
</div>

<div id="log-a-confusion-matrix">
  ### Journaliser une matrice de confusion
</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"]

# 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
        )
    })
```

<div id="build-a-scatter-plot-for-feature-analysis">
  ### Créer un nuage de points pour l’analyse des variables
</div>

```python theme={null}
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"
        )
    })

```