ml/ library Learn by doing
ALGORITHM 35 · PYTHON / JAVASCRIPT

BIRCH

สรุปข้อมูลทีละแถวเป็นต้นไม้ย่อยก่อนจัดกลุ่ม

LEARNING LEVEL2
ต่อยอดโดยตรงควรรู้มาก่อน · Hierarchical Clustering และ summary tree
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — BIRCH สร้าง Clustering Feature Tree ที่เก็บจำนวน ผลรวม และผลรวมกำลังสองของจุดใน subcluster จึงประมวลผลข้อมูลจำนวนมากแบบ incremental ได้

ลองนึกภาพว่า — เหมือนย่อใบเสร็จจำนวนมากเป็นยอดสรุปตามสาขา ก่อนนำยอดสาขาไปจัดกลุ่มต่อ

ตัวอย่างการนำไปใช้ — จัดกลุ่มข้อมูลตารางขนาดใหญ่และข้อมูลที่เข้ามาเป็น batch

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

BIRCH เริ่มจากคำถามง่าย ๆ ว่า สรุปข้อมูลทีละแถวเป็นต้นไม้ย่อยก่อนจัดกลุ่ม วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนย่อใบเสร็จจำนวนมากเป็นยอดสรุปตามสาขา ก่อนนำยอดสาขาไปจัดกลุ่มต่อ ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

BIRCH สร้าง Clustering Feature Tree ที่เก็บจำนวน ผลรวม และผลรวมกำลังสองของจุดใน subcluster จึงประมวลผลข้อมูลจำนวนมากแบบ incremental ได้ พารามิเตอร์หลักใน Playground คือ threshold เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ ข้อมูล 150 จุด → CF subclusters → 3 กลุ่ม เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น จัดกลุ่มข้อมูลตารางขนาดใหญ่และข้อมูลที่เข้ามาเป็น batch ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: threshold เล็ก → subclusters มากขึ้น พร้อมจำข้อจำกัดสำคัญว่า ออกแบบมาสำหรับข้อมูลเชิง Euclidean และมิติไม่สูงมาก ผลไวต่อ threshold กับลำดับข้อมูล และควรปรับสเกลก่อน

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    X เป็น feature ตัวเลขที่ปรับสเกลและอ่านได้เป็น batch ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ threshold เพื่อขนาด subcluster สูงสุด และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    ส่งแต่ละจุดลง CF Tree ไปยังลูกที่ใกล้ จากนั้น อัปเดตสถิติหรือแตกโหนดเมื่อเกิน threshold Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    จัดกลุ่ม leaf subclusters เป็นผลสุดท้าย ผลที่ได้คือ subcluster centers labels และโมเดล CF Tree ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ threshold ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ออกแบบมาสำหรับข้อมูลเชิง Euclidean และมิติไม่สูงมาก ผลไวต่อ threshold กับลำดับข้อมูล และควรปรับสเกลก่อน

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · features · no target yข้อมูล 150 จุด → CF subclusters → 3 กลุ่ม
CALCULATEBIRCH
thresholdbranching_factorn_clusters
RESULTcluster labels + centersthreshold เล็ก → subclusters มากขึ้น
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

X เป็น feature ตัวเลขที่ปรับสเกลและอ่านได้เป็น batch

ข้อมูล 150 จุด → CF subclusters → 3 กลุ่ม
PARAMETERS

พารามิเตอร์ที่ใช้

threshold
ขนาด subcluster สูงสุด
branching_factor
จำนวนลูกสูงสุดของโหนด
n_clusters
การจัดกลุ่มขั้นสุดท้ายของ leaf subclusters
OUTPUT

ผลลัพธ์ที่ได้

subcluster centers labels และโมเดล CF Tree

threshold เล็ก → subclusters มากขึ้น
CALCULATION

คำนวณทีละขั้น

  1. 01

    ส่งแต่ละจุดลง CF Tree ไปยังลูกที่ใกล้

  2. 02

    อัปเดตสถิติหรือแตกโหนดเมื่อเกิน threshold

  3. 03

    จัดกลุ่ม leaf subclusters เป็นผลสุดท้าย

ควรรู้อีกนิด — ออกแบบมาสำหรับข้อมูลเชิง Euclidean และมิติไม่สูงมาก ผลไวต่อ threshold กับลำดับข้อมูล และควรปรับสเกลก่อน

04Make it yours

Python · scikit-learn
# ติดตั้ง: pip install numpy scikit-learnimport numpy as np data = np.genfromtxt("birch-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from sklearn.cluster import Birchfrom sklearn.metrics import silhouette_score # sample.csv ใช้หน่วยเดียวกันทั้งสองแกน; ข้อมูลจริงควรปรับสเกลใน pipelinemodel = Birch(threshold=8, n_clusters=3)labels = model.fit_predict(X)print("Labels:", labels)print("Groups:", np.unique(labels, return_counts=True))valid = labels >= 0if valid.sum() > 2 and 1 < len(np.unique(labels[valid])) < valid.sum():    print("Silhouette:", silhouette_score(X[valid], labels[valid])) 

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ threshold แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Sample dataset / Unlabeled points● คำนวณใหม่เมื่อปรับค่า
รัศมี subcluster สูงสุดก่อนแตกกิ่งใหม่
กากบาทดำคือ centroid จาก mini batch1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950กากบาท = centroid · สี = กลุ่มที่เรียนรู้
จำนวน subclusters50
Threshold8
พารามิเตอร์ที่ลอง8

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง