ml/ library Learn by doing
ALGORITHM 07 · PYTHON / JAVASCRIPT

DBSCAN

หาบริเวณที่จุดอยู่หนาแน่นและแยกจุดรบกวนออก

LEARNING LEVEL1
พื้นฐานควรรู้มาก่อน · ระยะห่าง ความหนาแน่น และ neighborhood
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — DBSCAN สร้างกลุ่มจากจุดที่มีเพื่อนบ้านมากพอในรัศมี eps จึงหากลุ่มรูปร่างอิสระได้และกำหนดจุดโดดเดี่ยวเป็น noise โดยไม่ต้องระบุจำนวนกลุ่มล่วงหน้า

ลองนึกภาพว่า — เหมือนมองหาฝูงคนในงาน ถ้าบริเวณใดมีคนติดกันมากพอก็ขยายเป็นฝูง ส่วนคนที่ยืนไกลอาจเป็นจุดรบกวน

ตัวอย่างการนำไปใช้ — ค้นหาพื้นที่หนาแน่นจากพิกัด จัดกลุ่มรูปทรงโค้ง และตรวจจุดผิดปกติเบื้องต้น

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

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

  1. เตรียมข้อมูลให้ตรงโจทย์

    X เป็นตาราง feature ที่ระยะห่างมีความหมายและมีสเกลใกล้กัน ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ eps เพื่อรัศมีของเพื่อนบ้าน และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    หาจุดที่มีเพื่อนบ้านใน eps อย่างน้อย min_samples จากนั้น ขยายกลุ่มผ่าน core points ที่เชื่อมถึงกัน Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ติด label -1 ให้จุดที่ไม่เข้ากลุ่ม ผลที่ได้คือ label กลุ่มและ noise ต่อแถว ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ eps ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า eps เดียวอาจไม่เหมาะเมื่อแต่ละกลุ่มมีความหนาแน่นต่างกัน และระยะห่างในข้อมูลมิติสูงมักแยกกลุ่มได้ยาก

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · features · no target yพิกัด x,y 150 จุด · noise ใช้ label -1
CALCULATEDBSCAN
epsmin_samplesmetric
RESULTcluster labels + centerslabel -1 = noise · 0,1,… = กลุ่ม
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

X เป็นตาราง feature ที่ระยะห่างมีความหมายและมีสเกลใกล้กัน

พิกัด x,y 150 จุด · noise ใช้ label -1
PARAMETERS

พารามิเตอร์ที่ใช้

eps
รัศมีของเพื่อนบ้าน
min_samples
จำนวนจุดขั้นต่ำของบริเวณหนาแน่น
metric
วิธีคำนวณระยะ
OUTPUT

ผลลัพธ์ที่ได้

label กลุ่มและ noise ต่อแถว

label -1 = noise · 0,1,… = กลุ่ม
CALCULATION

คำนวณทีละขั้น

  1. 01

    หาจุดที่มีเพื่อนบ้านใน eps อย่างน้อย min_samples

  2. 02

    ขยายกลุ่มผ่าน core points ที่เชื่อมถึงกัน

  3. 03

    ติด label -1 ให้จุดที่ไม่เข้ากลุ่ม

ควรรู้อีกนิด — eps เดียวอาจไม่เหมาะเมื่อแต่ละกลุ่มมีความหนาแน่นต่างกัน และระยะห่างในข้อมูลมิติสูงมักแยกกลุ่มได้ยาก

04Make it yours

Python · scikit-learn
# 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

Sample dataset / Unlabeled points● คำนวณใหม่เมื่อปรับค่า
รัศมีใหญ่ขึ้นเชื่อมจุดเป็นกลุ่มได้ง่ายขึ้น
กากบาทดำคือ centroid จาก mini batch1กากบาท = centroid · สี = กลุ่มที่เรียนรู้
Noise ratio0.027
จำนวนกลุ่ม1
พารามิเตอร์ที่ลอง11

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