ml/ library Learn by doing
ALGORITHM 31 · PYTHON / JAVASCRIPT

Fuzzy C-Means

ให้หนึ่งจุดเป็นสมาชิกหลายกลุ่มได้ด้วยน้ำหนักต่างกัน

LEARNING LEVEL2
ต่อยอดโดยตรงควรรู้มาก่อน · K-Means Clustering และ soft membership
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Fuzzy C-Means แทน label เดียวด้วย membership ของทุกกลุ่ม โดยค่า m ควบคุมความฟุ้ง แล้วอัปเดต centroid จากค่าเฉลี่ยที่ถ่วงด้วย membership

ลองนึกภาพว่า — คนหนึ่งอาจชอบทั้งกีฬาและดนตรีในสัดส่วน 70/30 แทนการบังคับให้เลือกเพียงกลุ่มเดียว

ตัวอย่างการนำไปใช้ — แบ่งกลุ่มลูกค้าที่มีพฤติกรรมทับซ้อน ภาพ และระบบที่ต้องการระดับสมาชิก

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Fuzzy C-Means เริ่มจากคำถามง่าย ๆ ว่า ให้หนึ่งจุดเป็นสมาชิกหลายกลุ่มได้ด้วยน้ำหนักต่างกัน วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

คนหนึ่งอาจชอบทั้งกีฬาและดนตรีในสัดส่วน 70/30 แทนการบังคับให้เลือกเพียงกลุ่มเดียว ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Fuzzy C-Means แทน label เดียวด้วย membership ของทุกกลุ่ม โดยค่า m ควบคุมความฟุ้ง แล้วอัปเดต centroid จากค่าเฉลี่ยที่ถ่วงด้วย membership พารามิเตอร์หลักใน Playground คือ fuzziness m เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 150 จุด · c=3 · membership ต่อจุดรวมเป็น 1 เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น แบ่งกลุ่มลูกค้าที่มีพฤติกรรมทับซ้อน ภาพ และระบบที่ต้องการระดับสมาชิก ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: จุดหนึ่ง → [0.70,0.25,0.05] พร้อมจำข้อจำกัดสำคัญว่า ต้องเลือกจำนวนกลุ่มและ m เอง ไวต่อสเกลและจุดเริ่มต้น และ membership ไม่ใช่ probability ที่ calibrated

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    X เป็น feature ตัวเลขที่ปรับสเกลแล้วและจำนวนกลุ่ม c ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ c เพื่อจำนวนกลุ่ม และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    เริ่ม membership ของแต่ละจุด จากนั้น คำนวณ centroid จากน้ำหนัก uᵐ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    อัปเดต membership ตามระยะและวนจนหยุด ผลที่ได้คือ centroid และ membership matrix ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ m ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ต้องเลือกจำนวนกลุ่มและ m เอง ไวต่อสเกลและจุดเริ่มต้น และ membership ไม่ใช่ probability ที่ calibrated

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · features · no target y150 จุด · c=3 · membership ต่อจุดรวมเป็น 1
CALCULATEFuzzy C-Means
cmerror
RESULTcluster labels + centersจุดหนึ่ง → [0.70,0.25,0.05]
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

X เป็น feature ตัวเลขที่ปรับสเกลแล้วและจำนวนกลุ่ม c

150 จุด · c=3 · membership ต่อจุดรวมเป็น 1
PARAMETERS

พารามิเตอร์ที่ใช้

c
จำนวนกลุ่ม
m
ระดับความฟุ้งที่ต้องมากกว่า 1
error
เกณฑ์หยุดเมื่อ membership เปลี่ยนน้อย
OUTPUT

ผลลัพธ์ที่ได้

centroid และ membership matrix

จุดหนึ่ง → [0.70,0.25,0.05]
CALCULATION

คำนวณทีละขั้น

  1. 01

    เริ่ม membership ของแต่ละจุด

  2. 02

    คำนวณ centroid จากน้ำหนัก uᵐ

  3. 03

    อัปเดต membership ตามระยะและวนจนหยุด

ควรรู้อีกนิด — ต้องเลือกจำนวนกลุ่มและ m เอง ไวต่อสเกลและจุดเริ่มต้น และ membership ไม่ใช่ probability ที่ calibrated

04Make it yours

Python · scikit-fuzzy
# ติดตั้ง: pip install numpy scikit-fuzzyimport numpy as np data = np.genfromtxt("fuzzy-c-means-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] import skfuzzy as fuzz centers, membership, _, _, _, _, fpc = fuzz.cluster.cmeans(X.T, c=3, m=2, error=1e-5, maxiter=1000, seed=42)labels = membership.argmax(axis=0)print("Centers:\n", centers)print("Membership first rows:\n", membership.T[:5])print("Fuzzy partition coefficient:", fpc)

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ fuzziness m แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Sample dataset / Unlabeled points● คำนวณใหม่เมื่อปรับค่า
m สูงทำให้ membership กระจายเท่า ๆ กันมากขึ้น
กากบาทดำคือ centroid จาก mini batch123กากบาท = centroid · สี = กลุ่มที่เรียนรู้
Membership entropy0.504
Fuzzy partitionm=2.0
พารามิเตอร์ที่ลอง2.0

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