01Overall Concept
ไอเดียหลัก — DBSCAN สร้างกลุ่มจากจุดที่มีเพื่อนบ้านมากพอในรัศมี eps จึงหากลุ่มรูปร่างอิสระได้และกำหนดจุดโดดเดี่ยวเป็น noise โดยไม่ต้องระบุจำนวนกลุ่มล่วงหน้า
ลองนึกภาพว่า — เหมือนมองหาฝูงคนในงาน ถ้าบริเวณใดมีคนติดกันมากพอก็ขยายเป็นฝูง ส่วนคนที่ยืนไกลอาจเป็นจุดรบกวน
ตัวอย่างการนำไปใช้ — ค้นหาพื้นที่หนาแน่นจากพิกัด จัดกลุ่มรูปทรงโค้ง และตรวจจุดผิดปกติเบื้องต้น
02อธิบายภาษาคนเข้าใจง่ายๆ
DBSCAN เริ่มจากคำถามง่าย ๆ ว่า หาบริเวณที่จุดอยู่หนาแน่นและแยกจุดรบกวนออก วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนมองหาฝูงคนในงาน ถ้าบริเวณใดมีคนติดกันมากพอก็ขยายเป็นฝูง ส่วนคนที่ยืนไกลอาจเป็นจุดรบกวน ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
DBSCAN สร้างกลุ่มจากจุดที่มีเพื่อนบ้านมากพอในรัศมี eps จึงหากลุ่มรูปร่างอิสระได้และกำหนดจุดโดดเดี่ยวเป็น noise โดยไม่ต้องระบุจำนวนกลุ่มล่วงหน้า พารามิเตอร์หลักใน Playground คือ รัศมี eps เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ พิกัด x,y 150 จุด · noise ใช้ label -1 เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น ค้นหาพื้นที่หนาแน่นจากพิกัด จัดกลุ่มรูปทรงโค้ง และตรวจจุดผิดปกติเบื้องต้น ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: label -1 = noise · 0,1,… = กลุ่ม พร้อมจำข้อจำกัดสำคัญว่า eps เดียวอาจไม่เหมาะเมื่อแต่ละกลุ่มมีความหนาแน่นต่างกัน และระยะห่างในข้อมูลมิติสูงมักแยกกลุ่มได้ยาก
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
X เป็นตาราง feature ที่ระยะห่างมีความหมายและมีสเกลใกล้กัน ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ eps เพื่อรัศมีของเพื่อนบ้าน และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
หาจุดที่มีเพื่อนบ้านใน eps อย่างน้อย min_samples จากนั้น ขยายกลุ่มผ่าน core points ที่เชื่อมถึงกัน Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ติด label -1 ให้จุดที่ไม่เข้ากลุ่ม ผลที่ได้คือ label กลุ่มและ noise ต่อแถว ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ eps ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า eps เดียวอาจไม่เหมาะเมื่อแต่ละกลุ่มมีความหนาแน่นต่างกัน และระยะห่างในข้อมูลมิติสูงมักแยกกลุ่มได้ยาก
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
epsmin_samplesmetricข้อมูลที่รับเข้ามา
X เป็นตาราง feature ที่ระยะห่างมีความหมายและมีสเกลใกล้กัน
พิกัด x,y 150 จุด · noise ใช้ label -1พารามิเตอร์ที่ใช้
- eps
- รัศมีของเพื่อนบ้าน
- min_samples
- จำนวนจุดขั้นต่ำของบริเวณหนาแน่น
- metric
- วิธีคำนวณระยะ
ผลลัพธ์ที่ได้
label กลุ่มและ noise ต่อแถว
label -1 = noise · 0,1,… = กลุ่มคำนวณทีละขั้น
- 01
หาจุดที่มีเพื่อนบ้านใน eps อย่างน้อย min_samples
- 02
ขยายกลุ่มผ่าน core points ที่เชื่อมถึงกัน
- 03
ติด label -1 ให้จุดที่ไม่เข้ากลุ่ม
ควรรู้อีกนิด — eps เดียวอาจไม่เหมาะเมื่อแต่ละกลุ่มมีความหนาแน่นต่างกัน และระยะห่างในข้อมูลมิติสูงมักแยกกลุ่มได้ยาก
04Make it yours
# ติดตั้ง: pip install numpy scikit-learnimport numpy as np data = np.genfromtxt("dbscan-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from sklearn.cluster import DBSCANfrom sklearn.metrics import silhouette_score # sample.csv ใช้หน่วยเดียวกันทั้งสองแกน; ข้อมูลจริงควรปรับสเกลใน pipelinemodel = DBSCAN(eps=11, min_samples=5)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 รัศมี eps แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง