ml/ library Learn by doing
ALGORITHM 75 · PYTHON / JAVASCRIPT

Self-Organizing Map

จัดหน่วยประสาทเป็นตารางที่เพื่อนบ้านเรียนรู้พร้อมกัน

LEARNING LEVEL3
ผสานหลายแนวคิดควรรู้มาก่อน · K-Means และ Perceptron
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — SOM หา best matching unit แล้วขยับทั้งหน่วยนั้นและเพื่อนบนตารางเข้าหาตัวอย่าง รัศมีที่ค่อย ๆ ลดลงช่วยรักษาความเป็นเพื่อนบ้านของข้อมูล

ลองนึกภาพว่า — เหมือนวางหมุดบนผ้ายืดแล้วดึงจุดใกล้มือเข้าหาตัวอย่าง พร้อมลากหมุดรอบข้างมาด้วย

ตัวอย่างการนำไปใช้ — ทำแผนที่กลุ่มลูกค้า สำรวจ feature และหา prototype ของข้อมูล

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

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

  1. เตรียมข้อมูลให้ตรงโจทย์

    feature matrix ที่ปรับสเกลแล้ว ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ sigma เพื่อควบคุมจำนวนหน่วยรอบผู้ชนะที่อัปเดตพร้อมกัน และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    หา prototype ที่ใกล้ตัวอย่างที่สุด จากนั้น คำนวณน้ำหนักเพื่อนบ้านบน grid Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ขยับ prototype แล้วลด learning rate กับรัศมี ผลที่ได้คือ ตาราง prototype และตำแหน่งหน่วยผู้ชนะ ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ sigma ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ขนาดแผนที่และตารางไม่มีคำตอบตายตัว ผลขึ้นกับการเริ่มต้นและไม่ใช่ probability model

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · features · no target yfeature matrix ที่ปรับสเกลแล้ว · ตัวอย่าง 60–150 แถว
CALCULATESelf-Organizing Map
sigmarandom_statevalidation
RESULTcluster labels + centersตาราง prototype และตำแหน่งหน่วยผู้ชนะ · Playground แสดงผลเมื่อปรับ รัศมีเพื่อนบ้าน
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

feature matrix ที่ปรับสเกลแล้ว

feature matrix ที่ปรับสเกลแล้ว · ตัวอย่าง 60–150 แถว
PARAMETERS

พารามิเตอร์ที่ใช้

sigma
ควบคุมจำนวนหน่วยรอบผู้ชนะที่อัปเดตพร้อมกัน
random_state
ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
validation
เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
OUTPUT

ผลลัพธ์ที่ได้

ตาราง prototype และตำแหน่งหน่วยผู้ชนะ

ตาราง prototype และตำแหน่งหน่วยผู้ชนะ · Playground แสดงผลเมื่อปรับ รัศมีเพื่อนบ้าน
CALCULATION

คำนวณทีละขั้น

  1. 01

    หา prototype ที่ใกล้ตัวอย่างที่สุด

  2. 02

    คำนวณน้ำหนักเพื่อนบ้านบน grid

  3. 03

    ขยับ prototype แล้วลด learning rate กับรัศมี

ควรรู้อีกนิด — ขนาดแผนที่และตารางไม่มีคำตอบตายตัว ผลขึ้นกับการเริ่มต้นและไม่ใช่ probability model

04Make it yours

Python · MiniSom
# 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?

Self-Organizing Map / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
ควบคุมจำนวนหน่วยรอบผู้ชนะที่อัปเดตพร้อมกัน
ดูภาพอย่างไร

โหนดที่ชนะและเพื่อนบน grid จะเคลื่อนเข้าหาตัวอย่างพร้อมกัน

เมื่อเพิ่มค่า

หน่วยรอบข้างขยับพร้อมกันมากขึ้น แผนที่จึงเรียบขึ้น

ลองเปรียบเทียบ

ดูว่ารัศมีเล็กแยกรายละเอียดได้ดีขึ้นแต่ grid อาจบิดหรือไม่

prototype grid และเพื่อนบ้านrepresentation หลังแปลง
Quantization error13.437
ขนาดกริด1.5
พารามิเตอร์ที่ลอง1.5

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ MiniSom จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง