01Overall Concept
ไอเดียหลัก — MDS หา coordinates ในมิติต่ำที่ทำให้ระยะระหว่างจุดใกล้กับ dissimilarity ที่กำหนด โดยลดค่า stress ของระยะทุกคู่
ลองนึกภาพว่า — เหมือนจัดเก้าอี้ใหม่โดยมีเพียงรายการว่าคู่ใดควรอยู่ใกล้หรือไกล
ตัวอย่างการนำไปใช้ — แผนที่การรับรู้ แสดงความคล้ายของแบรนด์ และตรวจโครงสร้างจาก distance matrix
02อธิบายภาษาคนเข้าใจง่ายๆ
Multidimensional Scaling เริ่มจากคำถามง่าย ๆ ว่า วางจุดบนแผนที่ให้ระยะคู่ใกล้กับระยะเดิม วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนจัดเก้าอี้ใหม่โดยมีเพียงรายการว่าคู่ใดควรอยู่ใกล้หรือไกล ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
MDS หา coordinates ในมิติต่ำที่ทำให้ระยะระหว่างจุดใกล้กับ dissimilarity ที่กำหนด โดยลดค่า stress ของระยะทุกคู่ พารามิเตอร์หลักใน Playground คือ จำนวนจุดเริ่มต้น เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ feature matrix หรือ dissimilarity matrix แบบสมมาตร · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น แผนที่การรับรู้ แสดงความคล้ายของแบรนด์ และตรวจโครงสร้างจาก distance matrix ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: พิกัด embedding และค่า stress · Playground แสดงผลเมื่อปรับ จำนวนจุดเริ่มต้น พร้อมจำข้อจำกัดสำคัญว่า คำตอบอาจติด local optimum และระยะทุกคู่ใช้หน่วยความจำกำลังสอง
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
feature matrix หรือ dissimilarity matrix แบบสมมาตร ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ n_init เพื่อลองตำแหน่งเริ่มต้นหลายชุดแล้วเก็บชุดที่ stress ต่ำสุด และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
คำนวณระยะเป้าหมายทุกคู่ จากนั้น ขยับพิกัดเพื่อลดผลต่างของระยะ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
เลือกคำตอบที่มี stress ต่ำสุด ผลที่ได้คือ พิกัด embedding และค่า stress ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ n_init ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า คำตอบอาจติด local optimum และระยะทุกคู่ใช้หน่วยความจำกำลังสอง
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
n_initrandom_statevalidationข้อมูลที่รับเข้ามา
feature matrix หรือ dissimilarity matrix แบบสมมาตร
feature matrix หรือ dissimilarity matrix แบบสมมาตร · ตัวอย่าง 60–150 แถวพารามิเตอร์ที่ใช้
- n_init
- ลองตำแหน่งเริ่มต้นหลายชุดแล้วเก็บชุดที่ stress ต่ำสุด
- random_state
- ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
- validation
- เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
ผลลัพธ์ที่ได้
พิกัด embedding และค่า stress
พิกัด embedding และค่า stress · Playground แสดงผลเมื่อปรับ จำนวนจุดเริ่มต้นคำนวณทีละขั้น
- 01
คำนวณระยะเป้าหมายทุกคู่
- 02
ขยับพิกัดเพื่อลดผลต่างของระยะ
- 03
เลือกคำตอบที่มี stress ต่ำสุด
ควรรู้อีกนิด — คำตอบอาจติด local optimum และระยะทุกคู่ใช้หน่วยความจำกำลังสอง
04Make it yours
# ติดตั้ง: pip install numpy scikit-learn# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("multidimensional-scaling-sample.csv", delimiter=",", skip_header=1)from sklearn.preprocessing import StandardScalerfrom sklearn.manifold import MDSX = StandardScaler().fit_transform(data[:, :2])model = MDS(n_components=2, n_init=4, random_state=42, normalized_stress="auto")embedding = model.fit_predict(X) if hasattr(model, "fit_predict") else model.fit_transform(X)print("Output shape:", np.asarray(embedding).shape)print(np.asarray(embedding)[:8])โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
การลองตำแหน่งเริ่มต้นหลายครั้งช่วยลด stress ได้แค่ไหน?
ระยะระหว่างจุดก่อนและหลังการวางใหม่ควรใกล้กัน
มีโอกาสเจอการจัดวางที่ stress ต่ำขึ้น แต่ใช้เวลามากขึ้น
ดูว่าหลังเพิ่มค่าแล้วตำแหน่งนิ่งขึ้นหรือผลแทบไม่เปลี่ยน
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง