01Overall Concept
ไอเดียหลัก — Spectral Clustering แปลงความคล้ายเป็นกราฟ ใช้ eigenvectors ของ graph Laplacian เป็นพิกัดใหม่ แล้วจัดกลุ่มในพื้นที่นั้น จึงแยกกลุ่มที่ไม่เป็นก้อนได้
ลองนึกภาพว่า — เหมือนตัดสะพานจำนวนน้อยระหว่างชุมชน โดยเก็บถนนภายในชุมชนไว้
ตัวอย่างการนำไปใช้ — แบ่งภาพ จัดกลุ่มเครือข่าย และข้อมูลวงแหวนหรือพระจันทร์เสี้ยว
02อธิบายภาษาคนเข้าใจง่ายๆ
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
เตรียมข้อมูลให้ตรงโจทย์
จุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ n_neighbors เพื่อควบคุมความหนาแน่นของ affinity graph และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
สร้าง affinity graph จากนั้น หา eigenvectors ของ normalized Laplacian Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ใช้ K-Means แบ่งพิกัด spectral ผลที่ได้คือ label กลุ่มของแต่ละจุด ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ n_neighbors ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ไวต่อ affinity และจำนวนเพื่อนบ้าน อีกทั้ง eigen decomposition แพงเมื่อจำนวนจุดมาก
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
n_neighborsrandom_statevalidationข้อมูลที่รับเข้ามา
จุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย
จุดข้อมูลหรือ affinity matrix ที่บอกความคล้าย · ตัวอย่าง 60–150 แถวพารามิเตอร์ที่ใช้
- n_neighbors
- ควบคุมความหนาแน่นของ affinity graph
- random_state
- ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
- validation
- เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
ผลลัพธ์ที่ได้
label กลุ่มของแต่ละจุด
label กลุ่มของแต่ละจุด · Playground แสดงผลเมื่อปรับ เพื่อนบ้านในกราฟคำนวณทีละขั้น
- 01
สร้าง affinity graph
- 02
หา eigenvectors ของ normalized Laplacian
- 03
ใช้ K-Means แบ่งพิกัด spectral
ควรรู้อีกนิด — ไวต่อ affinity และจำนวนเพื่อนบ้าน อีกทั้ง eigen decomposition แพงเมื่อจำนวนจุดมาก
04Make it yours
# 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?
สีคือกลุ่มหลังแปลงด้วย eigenvectors และเส้นคือ affinity graph
กราฟเชื่อมแน่นขึ้น กลุ่มเล็กอาจถูกรวมเข้าด้วยกัน
หาแถวที่เส้นเชื่อมภายในกลุ่มมากแต่ข้ามกลุ่มน้อย
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง