01Overall Concept
ไอเดียหลัก — SOM หา best matching unit แล้วขยับทั้งหน่วยนั้นและเพื่อนบนตารางเข้าหาตัวอย่าง รัศมีที่ค่อย ๆ ลดลงช่วยรักษาความเป็นเพื่อนบ้านของข้อมูล
ลองนึกภาพว่า — เหมือนวางหมุดบนผ้ายืดแล้วดึงจุดใกล้มือเข้าหาตัวอย่าง พร้อมลากหมุดรอบข้างมาด้วย
ตัวอย่างการนำไปใช้ — ทำแผนที่กลุ่มลูกค้า สำรวจ feature และหา prototype ของข้อมูล
02อธิบายภาษาคนเข้าใจง่ายๆ
Self-Organizing Map เริ่มจากคำถามง่าย ๆ ว่า จัดหน่วยประสาทเป็นตารางที่เพื่อนบ้านเรียนรู้พร้อมกัน วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนวางหมุดบนผ้ายืดแล้วดึงจุดใกล้มือเข้าหาตัวอย่าง พร้อมลากหมุดรอบข้างมาด้วย ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
SOM หา best matching unit แล้วขยับทั้งหน่วยนั้นและเพื่อนบนตารางเข้าหาตัวอย่าง รัศมีที่ค่อย ๆ ลดลงช่วยรักษาความเป็นเพื่อนบ้านของข้อมูล พารามิเตอร์หลักใน Playground คือ รัศมีเพื่อนบ้าน เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ feature matrix ที่ปรับสเกลแล้ว · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น ทำแผนที่กลุ่มลูกค้า สำรวจ feature และหา prototype ของข้อมูล ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: ตาราง prototype และตำแหน่งหน่วยผู้ชนะ · Playground แสดงผลเมื่อปรับ รัศมีเพื่อนบ้าน พร้อมจำข้อจำกัดสำคัญว่า ขนาดแผนที่และตารางไม่มีคำตอบตายตัว ผลขึ้นกับการเริ่มต้นและไม่ใช่ probability model
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
feature matrix ที่ปรับสเกลแล้ว ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ sigma เพื่อควบคุมจำนวนหน่วยรอบผู้ชนะที่อัปเดตพร้อมกัน และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
หา prototype ที่ใกล้ตัวอย่างที่สุด จากนั้น คำนวณน้ำหนักเพื่อนบ้านบน grid Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ขยับ prototype แล้วลด learning rate กับรัศมี ผลที่ได้คือ ตาราง prototype และตำแหน่งหน่วยผู้ชนะ ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ sigma ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ขนาดแผนที่และตารางไม่มีคำตอบตายตัว ผลขึ้นกับการเริ่มต้นและไม่ใช่ probability model
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
sigmarandom_statevalidationข้อมูลที่รับเข้ามา
feature matrix ที่ปรับสเกลแล้ว
feature matrix ที่ปรับสเกลแล้ว · ตัวอย่าง 60–150 แถวพารามิเตอร์ที่ใช้
- sigma
- ควบคุมจำนวนหน่วยรอบผู้ชนะที่อัปเดตพร้อมกัน
- random_state
- ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
- validation
- เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
ผลลัพธ์ที่ได้
ตาราง prototype และตำแหน่งหน่วยผู้ชนะ
ตาราง prototype และตำแหน่งหน่วยผู้ชนะ · Playground แสดงผลเมื่อปรับ รัศมีเพื่อนบ้านคำนวณทีละขั้น
- 01
หา prototype ที่ใกล้ตัวอย่างที่สุด
- 02
คำนวณน้ำหนักเพื่อนบ้านบน grid
- 03
ขยับ prototype แล้วลด learning rate กับรัศมี
ควรรู้อีกนิด — ขนาดแผนที่และตารางไม่มีคำตอบตายตัว ผลขึ้นกับการเริ่มต้นและไม่ใช่ probability model
04Make it yours
# ติดตั้ง: pip install numpy minisom# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("self-organizing-map-sample.csv", delimiter=",", skip_header=1)from minisom import MiniSomX = data[:, :2]X = (X-X.mean(0)) / X.std(0)som = MiniSom(8, 8, X.shape[1], sigma=1.5, learning_rate=.4, random_seed=42)som.random_weights_init(X); som.train_random(X, 1000)print("Winning cells:", [som.winner(x) for x in X[:10]])print("Quantization error:", som.quantization_error(X))โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
รัศมีการอัปเดตทำให้แผนที่ prototype เรียบหรือเฉพาะที่เพียงใด?
โหนดที่ชนะและเพื่อนบน grid จะเคลื่อนเข้าหาตัวอย่างพร้อมกัน
หน่วยรอบข้างขยับพร้อมกันมากขึ้น แผนที่จึงเรียบขึ้น
ดูว่ารัศมีเล็กแยกรายละเอียดได้ดีขึ้นแต่ grid อาจบิดหรือไม่
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ MiniSom จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง