ml/ library Learn by doing
ALGORITHM 72 · PYTHON / JAVASCRIPT

Spectral Clustering

ตัดกราฟความคล้ายเพื่อแยกกลุ่มรูปร่างโค้ง

LEARNING LEVEL3
ผสานหลายแนวคิดควรรู้มาก่อน · K-Means, PCA และ graph Laplacian
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Spectral Clustering แปลงความคล้ายเป็นกราฟ ใช้ eigenvectors ของ graph Laplacian เป็นพิกัดใหม่ แล้วจัดกลุ่มในพื้นที่นั้น จึงแยกกลุ่มที่ไม่เป็นก้อนได้

ลองนึกภาพว่า — เหมือนตัดสะพานจำนวนน้อยระหว่างชุมชน โดยเก็บถนนภายในชุมชนไว้

ตัวอย่างการนำไปใช้ — แบ่งภาพ จัดกลุ่มเครือข่าย และข้อมูลวงแหวนหรือพระจันทร์เสี้ยว

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Spectral Clustering เริ่มจากคำถามง่าย ๆ ว่า ตัดกราฟความคล้ายเพื่อแยกกลุ่มรูปร่างโค้ง วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนตัดสะพานจำนวนน้อยระหว่างชุมชน โดยเก็บถนนภายในชุมชนไว้ ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Spectral Clustering แปลงความคล้ายเป็นกราฟ ใช้ eigenvectors ของ graph Laplacian เป็นพิกัดใหม่ แล้วจัดกลุ่มในพื้นที่นั้น จึงแยกกลุ่มที่ไม่เป็นก้อนได้ พารามิเตอร์หลักใน Playground คือ เพื่อนบ้านในกราฟ เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ จุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น แบ่งภาพ จัดกลุ่มเครือข่าย และข้อมูลวงแหวนหรือพระจันทร์เสี้ยว ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: label กลุ่มของแต่ละจุด · Playground แสดงผลเมื่อปรับ เพื่อนบ้านในกราฟ พร้อมจำข้อจำกัดสำคัญว่า ไวต่อ affinity และจำนวนเพื่อนบ้าน อีกทั้ง eigen decomposition แพงเมื่อจำนวนจุดมาก

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    จุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ n_neighbors เพื่อควบคุมความหนาแน่นของ affinity graph และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    สร้าง affinity graph จากนั้น หา eigenvectors ของ normalized Laplacian Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ใช้ K-Means แบ่งพิกัด spectral ผลที่ได้คือ label กลุ่มของแต่ละจุด ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ n_neighbors ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ไวต่อ affinity และจำนวนเพื่อนบ้าน อีกทั้ง eigen decomposition แพงเมื่อจำนวนจุดมาก

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · features · no target yจุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย · ตัวอย่าง 60–150 แถว
CALCULATESpectral Clustering
n_neighborsrandom_statevalidation
RESULTcluster labels + centerslabel กลุ่มของแต่ละจุด · Playground แสดงผลเมื่อปรับ เพื่อนบ้านในกราฟ
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

จุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย

จุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย · ตัวอย่าง 60–150 แถว
PARAMETERS

พารามิเตอร์ที่ใช้

n_neighbors
ควบคุมความหนาแน่นของ affinity graph
random_state
ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
validation
เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
OUTPUT

ผลลัพธ์ที่ได้

label กลุ่มของแต่ละจุด

label กลุ่มของแต่ละจุด · Playground แสดงผลเมื่อปรับ เพื่อนบ้านในกราฟ
CALCULATION

คำนวณทีละขั้น

  1. 01

    สร้าง affinity graph

  2. 02

    หา eigenvectors ของ normalized Laplacian

  3. 03

    ใช้ K-Means แบ่งพิกัด spectral

ควรรู้อีกนิด — ไวต่อ affinity และจำนวนเพื่อนบ้าน อีกทั้ง eigen decomposition แพงเมื่อจำนวนจุดมาก

04Make it yours

Python · scikit-learn
# ติดตั้ง: pip install numpy scikit-learn# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("spectral-clustering-sample.csv", delimiter=",", skip_header=1)from sklearn.preprocessing import StandardScalerfrom sklearn.cluster import SpectralClusteringX = StandardScaler().fit_transform(data[:, :2])model = SpectralClustering(n_clusters=3, affinity="nearest_neighbors", n_neighbors=10, assign_labels="kmeans", random_state=42)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

กราฟเพื่อนบ้านแบบใดแยกชุมชนที่เชื่อมกันเป็นรูปโค้งได้?

Spectral Clustering / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
ควบคุมความหนาแน่นของ affinity graph
ดูภาพอย่างไร

สีคือกลุ่มหลังแปลงด้วย eigenvectors และเส้นคือ affinity graph

เมื่อเพิ่มค่า

กราฟเชื่อมแน่นขึ้น กลุ่มเล็กอาจถูกรวมเข้าด้วยกัน

ลองเปรียบเทียบ

หาแถวที่เส้นเชื่อมภายในกลุ่มมากแต่ข้ามกลุ่มน้อย

โครงสร้าง/กราฟเดิมrepresentation หลังแปลง
Graph cut proxy15.261
จำนวนกลุ่ม10
พารามิเตอร์ที่ลอง10

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