01ภาพรวมของกราฟนี้
Embedding projection ใช้วิธีไม่เชิงเส้นอย่าง t-SNE หรือ UMAP ฉายข้อมูลมิติสูงลงสองมิติ จุดแข็งคือแยกกลุ่มที่มีรูปร่างซับซ้อนซึ่ง PCA ทำไม่ได้ แต่ราคาที่จ่ายหนักมาก คือระยะห่างระหว่างกลุ่มไม่มีความหมายและขนาดของกลุ่มก็ไม่มีความหมายเช่นกัน
เปรียบเทียบให้เห็นภาพ
เหมือนแผนที่รถไฟใต้ดินที่รักษาว่าสถานีไหนต่อกับสถานีไหน แต่ระยะทางบนภาพไม่ตรงกับระยะจริงเลย
ใช้ที่ไหนบ้าง — สำรวจกลุ่มในข้อมูลเอมเบดดิงของข้อความหรือรูปภาพ ตรวจว่าแบบจำลองแยกประเภทได้หรือไม่ หรือหากลุ่มลูกค้าจากพฤติกรรมหลายมิติ
สร้างอย่างไร
- ขั้นที่ 1★ ทำให้ข้อมูลเป็นมาตรฐานและล็อกค่าเริ่มต้นของการสุ่ม
- ขั้นที่ 2เลือกและบันทึกค่าพารามิเตอร์หลัก
- ขั้นที่ 3ระบายสีด้วยป้ายกำกับที่รู้อยู่แล้วเพื่อตรวจสอบ
- ขั้นที่ 4★ เขียนเตือนว่าระยะและขนาดของกลุ่มไม่มีความหมาย
ตัวอย่างคลาสสิก · บทความ How to Use t-SNE Effectively
บทความใน Distill สาธิตด้วยตัวอย่างจำนวนมากว่า t-SNE สร้างกลุ่มที่ดูชัดเจนจากข้อมูลที่เป็นการสุ่มล้วน ๆ ได้ และการเปลี่ยนพารามิเตอร์ตัวเดียวก็เปลี่ยนจำนวนกลุ่มที่เห็นได้ ซึ่งกลายเป็นงานอ้างอิงมาตรฐานเวลาเตือนกันเรื่องการอ่านภาพประเภทนี้เกินหลักฐาน
02อธิบายภาษาคนเข้าใจง่าย ๆ
PCA มีข้อจำกัดที่ชัดเจน คือมันหาได้แค่ทิศทางเชิงเส้น ถ้ากลุ่มในข้อมูลมีรูปร่างโค้งหรือพันกัน การฉายเชิงเส้นก็แยกไม่ออก
วิธีอย่าง t-SNE และ UMAP แก้ด้วยการเปลี่ยนเป้าหมาย แทนที่จะรักษาโครงสร้างรวม มันพยายามรักษาแค่ว่าจุดไหนเป็นเพื่อนบ้านของจุดไหน
ผลคือมันแยกกลุ่มที่ซับซ้อนได้เก่งมาก และภาพที่ได้มักสวยและชวนให้เชื่อ ซึ่งเป็นทั้งจุดแข็งและอันตรายที่สุดของมัน
ราคาที่จ่ายข้อแรกคือระยะห่างระหว่างกลุ่มไม่มีความหมายเลย สองกลุ่มที่อยู่ไกลกันบนภาพไม่ได้ต่างกันมากกว่าสองกลุ่มที่อยู่ใกล้กัน
ข้อที่สองคือขนาดของกลุ่มก็ไม่มีความหมาย กลุ่มที่ดูใหญ่กว่าไม่ได้แปลว่ากระจายตัวมากกว่า เพราะอัลกอริทึมปรับความหนาแน่นของแต่ละบริเวณต่างกัน
ข้อที่สามคือพารามิเตอร์เปลี่ยนภาพได้อย่างมาก และค่าเริ่มต้นของการสุ่มที่ต่างกันก็ให้ภาพคนละแบบ ดังนั้นจึงต้องล็อกและระบุทุกครั้ง ข้อสรุปที่ใช้ได้จริงคือใช้ภาพนี้เพื่อตั้งคำถามว่ามีกี่กลุ่ม แล้วไปยืนยันด้วยวิธีอื่น ห้ามใช้ภาพนี้เป็นหลักฐานยืนยันเอง
03ข้อมูลที่ต้องใช้
คอลัมน์ที่ต้องเตรียม
| คอลัมน์ | ทำหน้าที่ | ชนิด | เข้ารหัสด้วย | จำนวนค่าที่เหมาะ | หมายเหตุ |
|---|---|---|---|---|---|
item | ตัวอย่าง | หมวดหมู่ | text | 50–50,000 ตัวอย่าง | แต่ละแถวเป็นหนึ่งจุด |
groupไม่บังคับ | ป้ายกำกับที่รู้อยู่แล้ว | หมวดหมู่ | color | 2–12 กลุ่ม | ★ ใช้ตรวจสอบว่าการฉายสมเหตุสมผล |
ราคา | มิติของข้อมูล | ตัวเลขต่อเนื่อง | x | 5–1,000 มิติ | ต้องเป็นตัวเลขทั้งหมด |
ต้องเตรียมข้อมูลอย่างไรก่อนวาด
- ★ ล็อกค่าเริ่มต้นของการสุ่มและบันทึกพารามิเตอร์ทั้งหมด
- ทำให้ข้อมูลเป็นมาตรฐาน
- พิจารณาลดมิติด้วย PCA ก่อนเพื่อลดสัญญาณรบกวน
ค่าที่หายไป — อัลกอริทึมส่วนใหญ่รับค่าที่หายไปไม่ได้ ต้องเติมหรือตัดและรายงาน
สเกลของแกน — ไม่ต้องใส่ตัวเลขบนแกนเลย เพราะค่าบนแกนไม่มีความหมาย และควรลบเส้นกริดออกด้วย
กราฟจะเริ่มพังเมื่อไร
น้อยกว่า 50 แถว โครงสร้างที่เห็นเป็นภาพลวงเกือบทั้งหมด
หน้าตาไฟล์ที่ต้องเตรียม
item,group,ราคา,ความเร็ว,ความจุ,น้ำหนัก,คะแนนรีวิว
รุ่น A,รุ่นประหยัด,167,48.5,17.6,30.9,3.17
รุ่น B,รุ่นมาตรฐาน,301,55.7,30.4,20,4.09
…04อ่านแล้วเห็นอะไร
สิ่งที่เห็นได้จากภาพ
- จำนวนกลุ่มที่แยกจากกันชัดเจน
- ตัวอย่างที่อยู่ระหว่างกลุ่มซึ่งมักเป็นกรณีคลุมเครือ
- กลุ่มที่ควรแยกกันแต่กลับปนกัน
สิ่งที่กราฟนี้ตอบไม่ได้
- ★ ระยะห่างระหว่างกลุ่มไม่มีความหมายเลย
- ★ ขนาดของกลุ่มไม่ได้บอกการกระจายตัวจริง
- ความหมายของแกนทั้งสอง เพราะไม่มีเลย
- ว่ากลุ่มที่เห็นมีอยู่จริงหรือเกิดจากพารามิเตอร์
อ่านตามลำดับนี้
- นับจำนวนกลุ่มที่แยกกันชัดเจน
- ดูว่าสีของป้ายกำกับที่รู้อยู่แล้วตรงกับกลุ่มไหม
- ★ ไม่อ่านระยะห่างและไม่อ่านขนาดของกลุ่ม
คำถามที่ตอบได้
- ข้อมูลนี้แบ่งเป็นกี่กลุ่ม
- แบบจำลองแยกประเภทนี้ออกจากกันได้ไหม
- มีตัวอย่างไหนที่อยู่ก้ำกึ่ง
สัญญาณว่ามีอะไรผิด
- ตีความระยะห่างระหว่างกลุ่ม
- ไม่ระบุพารามิเตอร์และค่าเริ่มต้นของการสุ่ม
- ใส่ตัวเลขบนแกนทั้งที่ไม่มีความหมาย
- ใช้กับข้อมูลน้อยเกินไป
05เหมาะกับการนำเสนอแบบไหน
ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย
- ★ เขียนเตือนให้เด่นว่าระยะและขนาดของกลุ่มไม่มีความหมาย
- ระบุอัลกอริทึม พารามิเตอร์ และค่าเริ่มต้นของการสุ่ม
- ให้ชี้ที่จุดแล้วเห็นว่าตัวอย่างนั้นคืออะไร
รูปแบบชื่อกราฟที่ควรใช้
การฉาย <จำนวน> ตัวอย่างด้วย <อัลกอริทึม> โดยพบ <จำนวน> กลุ่ม
06เอาไปใช้ต่อ
โค้ดทุกชิ้นอ่านไฟล์ embedding-projection-sample.csv ชุดเดียวกับที่ Playground ใช้ และตัวเลขในโค้ดเปลี่ยนตามค่าที่คุณปรับด้านล่าง
# ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*"
# ดาวน์โหลด embedding-projection-sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์
import matplotlib
matplotlib.use("Agg") # รันแบบไม่มีหน้าจอ ถ้ารันในเครื่องตัวเองลบบรรทัดนี้ได้
import matplotlib.pyplot as plt
import pandas as pd
import umap # pip install umap-learn
from sklearn.preprocessing import StandardScaler
C1, C2, C3 = "#2a78d6", "#eb6834", "#1baf7a" # palette ของคลัง เปลี่ยนเป็นสีองค์กรได้
INK, SURFACE = "#0b0b0b", "#fcfcfb"
df = pd.read_csv("embedding-projection-sample.csv")
df["ราคา"] = pd.to_numeric(df["ราคา"], errors="coerce")
df["ความเร็ว"] = pd.to_numeric(df["ความเร็ว"], errors="coerce")
df["ความจุ"] = pd.to_numeric(df["ความจุ"], errors="coerce")
df["น้ำหนัก"] = pd.to_numeric(df["น้ำหนัก"], errors="coerce")
df["คะแนนรีวิว"] = pd.to_numeric(df["คะแนนรีวิว"], errors="coerce")
NOTE = "distance" # ← ค่าจาก Playground
fig, ax = plt.subplots(figsize=(7.6, 4.2), facecolor=SURFACE)
ax.set_facecolor(SURFACE)
dims = ["ราคา", "ความเร็ว", "ความจุ", "น้ำหนัก", "คะแนนรีวิว"]
X = StandardScaler().fit_transform(df[dims])
reducer = umap.UMAP(n_neighbors=15, min_dist=0.1, random_state=42) # ★ ล็อก random_state
Y = reducer.fit_transform(X)
for i, g in enumerate(df["group"].unique()):
mask = df["group"].values == g
ax.scatter(Y[mask, 0], Y[mask, 1], s=42, color=PALETTE[i], label=g, alpha=0.8)
ax.set_xticks([]); ax.set_yticks([]) # ★ แกนไม่มีความหมาย จึงไม่ใส่ตัวเลข
ax.set_title("UMAP · n_neighbors=15, min_dist=0.1, seed=42\n"
"ระยะและขนาดของกลุ่มไม่มีความหมาย", loc="left", fontsize=9)
ax.legend(frameon=False)
ax.spines[["top", "right"]].set_visible(False) # ลดเส้นที่ไม่ได้ให้ข้อมูล
fig.tight_layout()
fig.savefig("embedding-projection.png", dpi=160)
print("เขียน embedding-projection.png แล้ว ·", len(df), "แถว")07ลองเล่นเพื่อเข้าใจ
ขนาดของกลุ่มก้อนและระยะระหว่างกลุ่มเปลี่ยนไปตามพารามิเตอร์ของอัลกอริทึม ไม่ใช่คุณสมบัติของข้อมูล
ดูข้อมูลเป็นตาราง (20 แถว)
| รายการ | กลุ่ม | ราคา | ความเร็ว | ความจุ | น้ำหนัก | คะแนนรีวิว |
|---|---|---|---|---|---|---|
| รุ่น A | รุ่นประหยัด | 167 | 48.5 | 17.6 | 30.9 | 3.17 |
| รุ่น B | รุ่นมาตรฐาน | 301 | 55.7 | 30.4 | 20.0 | 4.09 |
| รุ่น C | รุ่นพรีเมียม | 393 | 76.1 | 43.6 | 17.2 | 4.14 |
| รุ่น D | รุ่นประหยัด | 195 | 38.2 | 21.9 | 29.5 | 3.20 |
| รุ่น E | รุ่นมาตรฐาน | 304 | 57.4 | 35.1 | 23.3 | 3.82 |
| รุ่น F | รุ่นพรีเมียม | 432 | 67.9 | 38.5 | 15.4 | 4.47 |
| รุ่น G | รุ่นประหยัด | 186 | 42.8 | 18.5 | 30.0 | 3.04 |
| รุ่น H | รุ่นมาตรฐาน | 302 | 49.3 | 24.1 | 25.9 | 3.67 |
| รุ่น I | รุ่นพรีเมียม | 396 | 77.5 | 44.1 | 18.2 | 4.41 |
| รุ่น J | รุ่นประหยัด | 173 | 39.0 | 19.7 | 27.5 | 3.50 |
| รุ่น K | รุ่นมาตรฐาน | 308 | 60.0 | 34.2 | 22.1 | 3.82 |
| รุ่น L | รุ่นพรีเมียม | 420 | 79.1 | 46.4 | 19.7 | 4.27 |
| รุ่น M | รุ่นประหยัด | 173 | 35.9 | 19.5 | 31.9 | 3.11 |
| รุ่น N | รุ่นมาตรฐาน | 298 | 64.6 | 32.6 | 23.0 | 3.65 |
| รุ่น O | รุ่นพรีเมียม | 435 | 77.7 | 41.1 | 17.8 | 4.00 |
| รุ่น P | รุ่นประหยัด | 196 | 43.2 | 19.5 | 29.6 | 3.23 |
| รุ่น Q | รุ่นมาตรฐาน | 296 | 55.8 | 34.5 | 23.3 | 3.81 |
| รุ่น R | รุ่นพรีเมียม | 422 | 74.4 | 45.8 | 16.8 | 4.17 |
| รุ่น S | รุ่นประหยัด | 215 | 37.4 | 16.7 | 31.1 | 3.65 |
| รุ่น T | รุ่นมาตรฐาน | 264 | 60.0 | 29.3 | 27.3 | 3.66 |
ลองแล้วจะเห็นอะไร
- สังเกตอะไร: ลองถามว่ากลุ่มที่อยู่ไกลกันต่างกันมากกว่ากลุ่มที่อยู่ใกล้กันไหม — คำตอบคือบอกไม่ได้เลย และนี่คือกับดักที่ใหญ่ที่สุด
ข้อควรระวัง
- ★ ตีความระยะห่างระหว่างกลุ่ม ซึ่งไม่มีความหมายเลย
- ★ ตีความขนาดของกลุ่มว่าเป็นการกระจายตัว
- ไม่ล็อกและไม่ระบุพารามิเตอร์ ทำให้ทำซ้ำไม่ได้
- ใช้เป็นหลักฐานยืนยันว่ามีกี่กลุ่ม แทนที่จะใช้ตั้งคำถามแล้วยืนยันด้วยวิธีอื่น
เมื่อไหร่ไม่ควรใช้กราฟนี้
- ต้องการแกนที่ตีความได้→ใช้แทน: pca-biplot
- ต้องการหลักฐานเชิงปริมาณของการแบ่งกลุ่ม→ใช้แทน: community-graph หรือการวัดคุณภาพการจัดกลุ่ม
- มีตัวอย่างน้อยกว่า 50→ใช้แทน: scatter-matrix