ml/ library Learn by doing
ALGORITHM 38 · PYTHON / JAVASCRIPT

Truncated Singular Value Decomposition

ย่อตาราง sparse โดยไม่ต้องลบค่าเฉลี่ยก่อน

LEARNING LEVEL2
ต่อยอดโดยตรงควรรู้มาก่อน · Principal Component Analysis และ SVD
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Truncated SVD เก็บ singular vectors ที่สำคัญเพียงจำนวนหนึ่ง ใช้กับ sparse matrix ได้โดยตรงและเป็นพื้นฐานของ Latent Semantic Analysis สำหรับข้อความ

ลองนึกภาพว่า — เหมือนย่อหนังสือจำนวนมากเป็นแกนหัวข้อไม่กี่แกน โดยไม่ต้องกางตารางคำขนาดใหญ่ทั้งหมดเป็น dense matrix

ตัวอย่างการนำไปใช้ — ลดมิติ TF-IDF ข้อมูล sparse และสร้าง latent semantic features

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Truncated Singular Value Decomposition เริ่มจากคำถามง่าย ๆ ว่า ย่อตาราง sparse โดยไม่ต้องลบค่าเฉลี่ยก่อน วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนย่อหนังสือจำนวนมากเป็นแกนหัวข้อไม่กี่แกน โดยไม่ต้องกางตารางคำขนาดใหญ่ทั้งหมดเป็น dense matrix ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Truncated SVD เก็บ singular vectors ที่สำคัญเพียงจำนวนหนึ่ง ใช้กับ sparse matrix ได้โดยตรงและเป็นพื้นฐานของ Latent Semantic Analysis สำหรับข้อความ พารามิเตอร์หลักใน Playground คือ จำนวน singular components เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ TF-IDF: เอกสาร × คำ → 2 latent axes เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น ลดมิติ TF-IDF ข้อมูล sparse และสร้าง latent semantic features ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: 50,000 คำ → 100 semantic components พร้อมจำข้อจำกัดสำคัญว่า ไม่ได้ center ข้อมูลจึงไม่เหมือน PCA เต็มรูป เครื่องหมาย component กลับด้านได้ และแกน latent อาจตีความยาก

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    X เป็น matrix ตัวเลข โดยเฉพาะ sparse document-term matrix ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ n_components เพื่อrank ที่ประมาณ และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    ประมาณ singular vectors ค่าสูงสุด จากนั้น เก็บ components ตาม rank ที่เลือก Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ฉาย X ไปยัง latent space ผลที่ได้คือ คะแนน latent component และ explained variance ratio ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ n_components ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ไม่ได้ center ข้อมูลจึงไม่เหมือน PCA เต็มรูป เครื่องหมาย component กลับด้านได้ และแกน latent อาจตีความยาก

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · features · no target yTF-IDF: เอกสาร × คำ → 2 latent axes
CALCULATETruncated Singular Value Decomposition
n_componentsalgorithmn_iter
RESULTcluster labels + centers50,000 คำ → 100 semantic components
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

X เป็น matrix ตัวเลข โดยเฉพาะ sparse document-term matrix

TF-IDF: เอกสาร × คำ → 2 latent axes
PARAMETERS

พารามิเตอร์ที่ใช้

n_components
rank ที่ประมาณ
algorithm
randomized หรือ arpack
n_iter
จำนวนรอบ power iteration สำหรับ randomized SVD
OUTPUT

ผลลัพธ์ที่ได้

คะแนน latent component และ explained variance ratio

50,000 คำ → 100 semantic components
CALCULATION

คำนวณทีละขั้น

  1. 01

    ประมาณ singular vectors ค่าสูงสุด

  2. 02

    เก็บ components ตาม rank ที่เลือก

  3. 03

    ฉาย X ไปยัง latent space

ควรรู้อีกนิด — ไม่ได้ center ข้อมูลจึงไม่เหมือน PCA เต็มรูป เครื่องหมาย component กลับด้านได้ และแกน latent อาจตีความยาก

04Make it yours

Python · scikit-learn
# ติดตั้ง: pip install numpy scikit-learnimport numpy as np data = np.genfromtxt("truncated-svd-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from sklearn.decomposition import TruncatedSVDfrom sklearn.preprocessing import StandardScaler X_scaled = StandardScaler().fit_transform(X)X_nonnegative = X - X.min(axis=0)model = TruncatedSVD(n_components=2, random_state=42)Z = model.fit_transform(X_scaled)print("Output shape:", Z.shape)print("First rows:\n", Z[:5])if hasattr(model, "explained_variance_ratio_"):    print("Explained variance:", model.explained_variance_ratio_)if hasattr(model, "components_"):    print("Components:\n", model.components_)

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ จำนวน singular components แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Sample dataset / Transformed representation● คำนวณใหม่เมื่อปรับค่า
จำนวนแกน latent ที่เก็บไว้
กากบาทดำคือ centroid จาก mini batchกากบาท = centroid · สี = กลุ่มที่เรียนรู้
Variance retained1
Output shape150 × 2
พารามิเตอร์ที่ลอง2

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