01Overall Concept
ไอเดียหลัก — UMAP สร้าง weighted nearest-neighbor graph แล้วปรับ embedding ให้โครงสร้างกราฟในมิติต่ำคล้ายต้นฉบับ จึงใช้สำรวจข้อมูลและแปลงข้อมูลใหม่ได้
ลองนึกภาพว่า — เหมือนย่อแผนที่เครือข่ายโดยเก็บทั้งตรอกใกล้บ้านและภาพรวมของย่านไว้เท่าที่ทำได้
ตัวอย่างการนำไปใช้ — แสดงข้อมูลชีวภาพ รูปภาพ ข้อความ และเตรียม feature ก่อน clustering
02อธิบายภาษาคนเข้าใจง่ายๆ
UMAP เริ่มจากคำถามง่าย ๆ ว่า สร้างแผนที่มิติต่ำจากกราฟเพื่อนบ้านแบบ fuzzy วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนย่อแผนที่เครือข่ายโดยเก็บทั้งตรอกใกล้บ้านและภาพรวมของย่านไว้เท่าที่ทำได้ ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
UMAP สร้าง weighted nearest-neighbor graph แล้วปรับ embedding ให้โครงสร้างกราฟในมิติต่ำคล้ายต้นฉบับ จึงใช้สำรวจข้อมูลและแปลงข้อมูลใหม่ได้ พารามิเตอร์หลักใน Playground คือ จำนวนเพื่อนบ้าน เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ feature matrix เชิงตัวเลขที่ใช้วัดระยะได้ · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น แสดงข้อมูลชีวภาพ รูปภาพ ข้อความ และเตรียม feature ก่อน clustering ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: พิกัด embedding และ transform สำหรับข้อมูลใหม่ · Playground แสดงผลเมื่อปรับ จำนวนเพื่อนบ้าน พร้อมจำข้อจำกัดสำคัญว่า รูปกลุ่มขึ้นกับ metric และพารามิเตอร์ จึงต้องตรวจความเสถียรและไม่ใช้ภาพเป็นหลักฐานของคลาสโดยลำพัง
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
feature matrix เชิงตัวเลขที่ใช้วัดระยะได้ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ n_neighbors เพื่อค่าน้อยเน้นโครงสร้างเฉพาะที่ ค่ามากมองภาพกว้างขึ้น และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
สร้าง fuzzy nearest-neighbor graph จากนั้น กำหนดกราฟเป้าหมายในมิติต่ำ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ปรับพิกัดเพื่อลด cross-entropy ผลที่ได้คือ พิกัด embedding และ transform สำหรับข้อมูลใหม่ ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ n_neighbors ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า รูปกลุ่มขึ้นกับ metric และพารามิเตอร์ จึงต้องตรวจความเสถียรและไม่ใช้ภาพเป็นหลักฐานของคลาสโดยลำพัง
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
n_neighborsrandom_statevalidationข้อมูลที่รับเข้ามา
feature matrix เชิงตัวเลขที่ใช้วัดระยะได้
feature matrix เชิงตัวเลขที่ใช้วัดระยะได้ · ตัวอย่าง 60–150 แถวพารามิเตอร์ที่ใช้
- n_neighbors
- ค่าน้อยเน้นโครงสร้างเฉพาะที่ ค่ามากมองภาพกว้างขึ้น
- random_state
- ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
- validation
- เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
ผลลัพธ์ที่ได้
พิกัด embedding และ transform สำหรับข้อมูลใหม่
พิกัด embedding และ transform สำหรับข้อมูลใหม่ · Playground แสดงผลเมื่อปรับ จำนวนเพื่อนบ้านคำนวณทีละขั้น
- 01
สร้าง fuzzy nearest-neighbor graph
- 02
กำหนดกราฟเป้าหมายในมิติต่ำ
- 03
ปรับพิกัดเพื่อลด cross-entropy
ควรรู้อีกนิด — รูปกลุ่มขึ้นกับ metric และพารามิเตอร์ จึงต้องตรวจความเสถียรและไม่ใช้ภาพเป็นหลักฐานของคลาสโดยลำพัง
04Make it yours
# ติดตั้ง: pip install numpy scikit-learn umap-learn# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("umap-sample.csv", delimiter=",", skip_header=1)from sklearn.preprocessing import StandardScalerfrom umap import UMAPX = StandardScaler().fit_transform(data[:, :2])model = UMAP(n_neighbors=15, n_components=2, min_dist=.1, random_state=42)embedding = model.fit_transform(X)print("Embedding:", embedding[:8])โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
จะรักษารายละเอียดเฉพาะที่หรือภาพรวมของกราฟมากกว่ากัน?
เส้นบางคือ fuzzy graph และตำแหน่งขวาคือ embedding
มองบริเวณกว้างขึ้นและมักทำให้กลุ่มต่อเนื่องกว่าเดิม
เปรียบเทียบว่าจุดใกล้กันในกราฟยังอยู่ใกล้กันใน embedding หรือไม่
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ umap-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง