01Overall Concept
ไอเดียหลัก — OPTICS สร้าง ordering และ reachability distance แทนการยึด eps ค่าเดียว ทำให้สำรวจกลุ่มที่มีความหนาแน่นต่างกันและดึง cluster จากโครงสร้างภายหลังได้
ลองนึกภาพว่า — เหมือนเรียงเส้นทางเดินผ่านฝูงคน โดยบันทึกว่าต้องก้าวไกลแค่ไหนเพื่อเข้าถึงฝูงถัดไป
ตัวอย่างการนำไปใช้ — สำรวจกลุ่มความหนาแน่นต่างกันและวิเคราะห์ reachability plot
02อธิบายภาษาคนเข้าใจง่ายๆ
OPTICS เริ่มจากคำถามง่าย ๆ ว่า เรียงจุดตามโครงสร้างความหนาแน่นเพื่อดูกลุ่มหลายระดับ วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนเรียงเส้นทางเดินผ่านฝูงคน โดยบันทึกว่าต้องก้าวไกลแค่ไหนเพื่อเข้าถึงฝูงถัดไป ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
OPTICS สร้าง ordering และ reachability distance แทนการยึด eps ค่าเดียว ทำให้สำรวจกลุ่มที่มีความหนาแน่นต่างกันและดึง cluster จากโครงสร้างภายหลังได้ พารามิเตอร์หลักใน Playground คือ min_samples เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 150 จุด · reachability ต่อจุด เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น สำรวจกลุ่มความหนาแน่นต่างกันและวิเคราะห์ reachability plot ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: หุบใน reachability plot → กลุ่มหนาแน่น พร้อมจำข้อจำกัดสำคัญว่า พารามิเตอร์ xi และ min_samples ยังต้องปรับ การอ่าน reachability ต้องระวัง และต้นทุนสูงกว่า DBSCAN ในหลายกรณี
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
X เป็น feature ที่นิยามระยะห่างได้ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ min_samples เพื่อขนาด neighborhood ขั้นต่ำ และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
คำนวณ core distance ของจุด จากนั้น ขยาย ordering โดยเลือก reachability ต่ำก่อน Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ดึงกลุ่มจาก xi หรือ eps ภายหลัง ผลที่ได้คือ ordering, reachability และ labels ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ min_samples ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า พารามิเตอร์ xi และ min_samples ยังต้องปรับ การอ่าน reachability ต้องระวัง และต้นทุนสูงกว่า DBSCAN ในหลายกรณี
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
min_samplesmax_epsxiข้อมูลที่รับเข้ามา
X เป็น feature ที่นิยามระยะห่างได้
150 จุด · reachability ต่อจุดพารามิเตอร์ที่ใช้
- min_samples
- ขนาด neighborhood ขั้นต่ำ
- max_eps
- รัศมีค้นหาสูงสุด
- xi
- ความชันที่ใช้ดึงกลุ่มจาก reachability
ผลลัพธ์ที่ได้
ordering, reachability และ labels
หุบใน reachability plot → กลุ่มหนาแน่นคำนวณทีละขั้น
- 01
คำนวณ core distance ของจุด
- 02
ขยาย ordering โดยเลือก reachability ต่ำก่อน
- 03
ดึงกลุ่มจาก xi หรือ eps ภายหลัง
ควรรู้อีกนิด — พารามิเตอร์ xi และ min_samples ยังต้องปรับ การอ่าน reachability ต้องระวัง และต้นทุนสูงกว่า DBSCAN ในหลายกรณี
04Make it yours
# ติดตั้ง: pip install numpy scikit-learnimport numpy as np data = np.genfromtxt("optics-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from sklearn.cluster import OPTICSfrom sklearn.metrics import silhouette_score # sample.csv ใช้หน่วยเดียวกันทั้งสองแกน; ข้อมูลจริงควรปรับสเกลใน pipelinemodel = OPTICS(min_samples=8, cluster_method="xi", xi=0.05)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 min_samples แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง