01Overall Concept
ไอเดียหลัก — CCA สร้าง canonical variates จาก X และ Y คนละชุด โดยเลือกน้ำหนักให้คะแนนสองฝั่งสัมพันธ์กันสูง แล้วหาแกนคู่ถัดไปที่ไม่ซ้ำกับคู่เดิม
ลองนึกภาพว่า — เหมือนหาสูตรรวมคะแนนวิชาและสูตรรวมพฤติกรรมที่เดินไปด้วยกันมากที่สุด แม้แต่ละฝั่งมีหลายคอลัมน์
ตัวอย่างการนำไปใช้ — เชื่อมข้อมูลหลายมุมมอง เช่น สมองกับพฤติกรรม แบบสอบถามสองชุด หรือภาพกับข้อความ
02อธิบายภาษาคนเข้าใจง่ายๆ
Canonical Correlation Analysis เริ่มจากคำถามง่าย ๆ ว่า หาแกนเชิงเส้นคู่หนึ่งจากตัวแปรสองชุดให้มี correlation สูงที่สุด วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนหาสูตรรวมคะแนนวิชาและสูตรรวมพฤติกรรมที่เดินไปด้วยกันมากที่สุด แม้แต่ละฝั่งมีหลายคอลัมน์ ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
CCA สร้าง canonical variates จาก X และ Y คนละชุด โดยเลือกน้ำหนักให้คะแนนสองฝั่งสัมพันธ์กันสูง แล้วหาแกนคู่ถัดไปที่ไม่ซ้ำกับคู่เดิม พารามิเตอร์หลักใน Playground คือ จำนวน canonical pairs เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ X 4 features ↔ Y 3 features · 60 ตัวอย่าง เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น เชื่อมข้อมูลหลายมุมมอง เช่น สมองกับพฤติกรรม แบบสอบถามสองชุด หรือภาพกับข้อความ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: corr(Xwₓ,Ywᵧ) สูงสุดภายใต้ข้อจำกัดของแต่ละแกน พร้อมจำข้อจำกัดสำคัญว่า ไวต่อ multicollinearity และ outlier มาก โดยเฉพาะเมื่อจำนวน feature ใกล้จำนวนตัวอย่าง และ correlation ไม่แปลว่าเป็นเหตุผลกัน
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
X และ Y ที่มีจำนวนแถวตรงกัน แต่แต่ละฝั่งมี feature ของตนเอง ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ n_components เพื่อกำหนดจำนวน canonical pairs และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
ปรับศูนย์และสเกล X กับ Y จากนั้น หาน้ำหนักสองฝั่งที่เพิ่ม correlation ของ scores Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
หักแกนที่พบแล้วและทำซ้ำสำหรับคู่ถัดไป ผลที่ได้คือ canonical scores weights และ correlation ต่อคู่ ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ n_components ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ไวต่อ multicollinearity และ outlier มาก โดยเฉพาะเมื่อจำนวน feature ใกล้จำนวนตัวอย่าง และ correlation ไม่แปลว่าเป็นเหตุผลกัน
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
n_componentsscalemax_iterข้อมูลที่รับเข้ามา
X และ Y ที่มีจำนวนแถวตรงกัน แต่แต่ละฝั่งมี feature ของตนเอง
X 4 features ↔ Y 3 features · 60 ตัวอย่างพารามิเตอร์ที่ใช้
- n_components
- กำหนดจำนวน canonical pairs
- scale
- ปรับสเกลสองชุดก่อนหาแกน
- max_iter
- จำกัดรอบคำนวณ weights
ผลลัพธ์ที่ได้
canonical scores weights และ correlation ต่อคู่
corr(Xwₓ,Ywᵧ) สูงสุดภายใต้ข้อจำกัดของแต่ละแกนคำนวณทีละขั้น
- 01
ปรับศูนย์และสเกล X กับ Y
- 02
หาน้ำหนักสองฝั่งที่เพิ่ม correlation ของ scores
- 03
หักแกนที่พบแล้วและทำซ้ำสำหรับคู่ถัดไป
ควรรู้อีกนิด — ไวต่อ multicollinearity และ outlier มาก โดยเฉพาะเมื่อจำนวน feature ใกล้จำนวนตัวอย่าง และ correlation ไม่แปลว่าเป็นเหตุผลกัน
04Make it yours
# ติดตั้ง: pip install numpy scikit-learnimport numpy as npdata = np.genfromtxt("canonical-correlation-analysis-sample.csv", delimiter=",", skip_header=1)X, Y = data[:, :4], data[:, 4:]from sklearn.cross_decomposition import CCA model = CCA(n_components=2, scale=True, max_iter=1000)X_c, Y_c = model.fit_transform(X, Y)correlations = [np.corrcoef(X_c[:, i], Y_c[:, i])[0, 1] for i in range(X_c.shape[1])]print("Canonical correlations:", correlations)print("X weights:\n", model.x_weights_)โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ปรับ จำนวน canonical pairs แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง