เทคนิคที่ 105 · PYTHON / JAVASCRIPT

การฉายเอมเบดดิงEmbedding Projection

เห็นกลุ่มที่ PCA มองไม่เห็น

5
เฉพาะทางควรรู้ก่อน · เข้าใจการลดมิติและข้อจำกัดของมัน
ลองเล่น

01ภาพรวมของกราฟนี้

Embedding projection ใช้วิธีไม่เชิงเส้นอย่าง t-SNE หรือ UMAP ฉายข้อมูลมิติสูงลงสองมิติ จุดแข็งคือแยกกลุ่มที่มีรูปร่างซับซ้อนซึ่ง PCA ทำไม่ได้ แต่ราคาที่จ่ายหนักมาก คือระยะห่างระหว่างกลุ่มไม่มีความหมายและขนาดของกลุ่มก็ไม่มีความหมายเช่นกัน

เปรียบเทียบให้เห็นภาพ

เหมือนแผนที่รถไฟใต้ดินที่รักษาว่าสถานีไหนต่อกับสถานีไหน แต่ระยะทางบนภาพไม่ตรงกับระยะจริงเลย

ใช้ที่ไหนบ้าง — สำรวจกลุ่มในข้อมูลเอมเบดดิงของข้อความหรือรูปภาพ ตรวจว่าแบบจำลองแยกประเภทได้หรือไม่ หรือหากลุ่มลูกค้าจากพฤติกรรมหลายมิติ

สร้างอย่างไร

  1. ขั้นที่ 1★ ทำให้ข้อมูลเป็นมาตรฐานและล็อกค่าเริ่มต้นของการสุ่ม
  2. ขั้นที่ 2เลือกและบันทึกค่าพารามิเตอร์หลัก
  3. ขั้นที่ 3ระบายสีด้วยป้ายกำกับที่รู้อยู่แล้วเพื่อตรวจสอบ
  4. ขั้นที่ 4★ เขียนเตือนว่าระยะและขนาดของกลุ่มไม่มีความหมาย

ตัวอย่างคลาสสิก · บทความ How to Use t-SNE Effectively

บทความใน Distill สาธิตด้วยตัวอย่างจำนวนมากว่า t-SNE สร้างกลุ่มที่ดูชัดเจนจากข้อมูลที่เป็นการสุ่มล้วน ๆ ได้ และการเปลี่ยนพารามิเตอร์ตัวเดียวก็เปลี่ยนจำนวนกลุ่มที่เห็นได้ ซึ่งกลายเป็นงานอ้างอิงมาตรฐานเวลาเตือนกันเรื่องการอ่านภาพประเภทนี้เกินหลักฐาน

Wikipedia · t-distributed stochastic neighbor embedding ↗

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

รูปทรงของข้อมูลตารางแบบกว้าง (หนึ่งแถวหนึ่ง entity)
จำนวนมิติที่เข้ารหัสได้5 มิติ
จำนวนแถวที่เหมาะ200–20,000 แถวขั้นต่ำ 30 แถว
เส้นฐานศูนย์ไม่เกี่ยวข้องแกนไม่มีความหมาย จึงไม่มีจุดอ้างอิงใด ๆ

คอลัมน์ที่ต้องเตรียม

คอลัมน์ทำหน้าที่ชนิดเข้ารหัสด้วยจำนวนค่าที่เหมาะหมายเหตุ
itemตัวอย่างหมวดหมู่text50–50,000 ตัวอย่างแต่ละแถวเป็นหนึ่งจุด
group
ไม่บังคับ
ป้ายกำกับที่รู้อยู่แล้วหมวดหมู่color2–12 กลุ่ม★ ใช้ตรวจสอบว่าการฉายสมเหตุสมผล
ราคามิติของข้อมูลตัวเลขต่อเนื่องx5–1,000 มิติต้องเป็นตัวเลขทั้งหมด

ต้องเตรียมข้อมูลอย่างไรก่อนวาด

  1. ★ ล็อกค่าเริ่มต้นของการสุ่มและบันทึกพารามิเตอร์ทั้งหมด
  2. ทำให้ข้อมูลเป็นมาตรฐาน
  3. 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

  1. นับจำนวนกลุ่มที่แยกกันชัดเจน
  2. ดูว่าสีของป้ายกำกับที่รู้อยู่แล้วตรงกับกลุ่มไหม
  3. ★ ไม่อ่านระยะห่างและไม่อ่านขนาดของกลุ่ม

คำถามที่ตอบได้

  • ข้อมูลนี้แบ่งเป็นกี่กลุ่ม
  • แบบจำลองแยกประเภทนี้ออกจากกันได้ไหม
  • มีตัวอย่างไหนที่อยู่ก้ำกึ่ง

สัญญาณว่ามีอะไรผิด

  • ตีความระยะห่างระหว่างกลุ่ม
  • ไม่ระบุพารามิเตอร์และค่าเริ่มต้นของการสุ่ม
  • ใส่ตัวเลขบนแกนทั้งที่ไม่มีความหมาย
  • ใช้กับข้อมูลน้อยเกินไป

05เหมาะกับการนำเสนอแบบไหน

ผู้ชมที่เหมาะนักวิเคราะห์ที่รู้ข้อจำกัดของวิธีนี้
เวลาที่ผู้ชมต้องใช้ต้องเรียนรู้ก่อน
ขนาดเล็กสุดที่ยังอ่านได้420×400 px
รายงานเชิงวิเคราะห์
dashboard ที่อัปเดตตลอด
สไลด์ผู้บริหารภาพสวยจนชวนให้สรุปเกินหลักฐาน
สื่อสารกับคนทั่วไปผู้อ่านจะตีความระยะห่างอย่างแน่นอน
สิ่งพิมพ์ต้องใช้การชี้เพื่อดูว่าจุดไหนคืออะไร

ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย

  1. ★ เขียนเตือนให้เด่นว่าระยะและขนาดของกลุ่มไม่มีความหมาย
  2. ระบุอัลกอริทึม พารามิเตอร์ และค่าเริ่มต้นของการสุ่ม
  3. 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")

ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*" · ทดสอบกับเวอร์ชัน 3.10

07ลองเล่นเพื่อเข้าใจ

ข้อมูลตัวอย่าง · 60 แถว · seed 197● คำนวณใหม่ในเบราว์เซอร์ทันทีที่ปรับค่า
ระยะไม่มีความหมาย
รุ่นประหยัดรุ่นมาตรฐานรุ่นพรีเมียม
รุ่น Aรุ่น Bรุ่น Cรุ่น Dรุ่น Eรุ่น Fรุ่น Gรุ่น Hรุ่น Iรุ่น Jรุ่น Kรุ่น Lรุ่น Mรุ่น Nรุ่น Oรุ่น Pรุ่น Qรุ่น Rรุ่น Sรุ่น Tรุ่น Uรุ่น Vรุ่น Wรุ่น Xรุ่น Yรุ่น Zรุ่น A2รุ่น B2รุ่น C2รุ่น D2รุ่น E2รุ่น F2รุ่น G2รุ่น H2รุ่น I2รุ่น J2รุ่น K2รุ่น L2รุ่น M2รุ่น N2รุ่น O2รุ่น P2รุ่น Q2รุ่น R2รุ่น S2รุ่น T2รุ่น U2รุ่น V2รุ่น W2รุ่น X2รุ่น Y2รุ่น Z2รุ่น A3รุ่น B3รุ่น C3รุ่น D3รุ่น E3รุ่น F3รุ่น G3รุ่น H3แกนทั้งสองไม่มีหน่วยและไม่มีความหมายในตัวเอง · ระยะห่างระหว่างกลุ่มไม่ควรตีความเป็นปริมาณ

ขนาดของกลุ่มก้อนและระยะระหว่างกลุ่มเปลี่ยนไปตามพารามิเตอร์ของอัลกอริทึม ไม่ใช่คุณสมบัติของข้อมูล

จำนวนจุด60
มิติตั้งต้น5
กลุ่มที่เห็น3
ดูข้อมูลเป็นตาราง (20 แถว)
embedding projection 60 จุด 3 กลุ่ม
รายการกลุ่มราคาความเร็วความจุน้ำหนักคะแนนรีวิว
รุ่น Aรุ่นประหยัด16748.517.630.93.17
รุ่น Bรุ่นมาตรฐาน30155.730.420.04.09
รุ่น Cรุ่นพรีเมียม39376.143.617.24.14
รุ่น Dรุ่นประหยัด19538.221.929.53.20
รุ่น Eรุ่นมาตรฐาน30457.435.123.33.82
รุ่น Fรุ่นพรีเมียม43267.938.515.44.47
รุ่น Gรุ่นประหยัด18642.818.530.03.04
รุ่น Hรุ่นมาตรฐาน30249.324.125.93.67
รุ่น Iรุ่นพรีเมียม39677.544.118.24.41
รุ่น Jรุ่นประหยัด17339.019.727.53.50
รุ่น Kรุ่นมาตรฐาน30860.034.222.13.82
รุ่น Lรุ่นพรีเมียม42079.146.419.74.27
รุ่น Mรุ่นประหยัด17335.919.531.93.11
รุ่น Nรุ่นมาตรฐาน29864.632.623.03.65
รุ่น Oรุ่นพรีเมียม43577.741.117.84.00
รุ่น Pรุ่นประหยัด19643.219.529.63.23
รุ่น Qรุ่นมาตรฐาน29655.834.523.33.81
รุ่น Rรุ่นพรีเมียม42274.445.816.84.17
รุ่น Sรุ่นประหยัด21537.416.731.13.65
รุ่น Tรุ่นมาตรฐาน26460.029.327.33.66

ลองแล้วจะเห็นอะไร

  • สังเกตอะไร: ลองถามว่ากลุ่มที่อยู่ไกลกันต่างกันมากกว่ากลุ่มที่อยู่ใกล้กันไหม — คำตอบคือบอกไม่ได้เลย และนี่คือกับดักที่ใหญ่ที่สุด

ข้อควรระวัง

  1. ★ ตีความระยะห่างระหว่างกลุ่ม ซึ่งไม่มีความหมายเลย
  2. ★ ตีความขนาดของกลุ่มว่าเป็นการกระจายตัว
  3. ไม่ล็อกและไม่ระบุพารามิเตอร์ ทำให้ทำซ้ำไม่ได้
  4. ใช้เป็นหลักฐานยืนยันว่ามีกี่กลุ่ม แทนที่จะใช้ตั้งคำถามแล้วยืนยันด้วยวิธีอื่น

เมื่อไหร่ไม่ควรใช้กราฟนี้

  • ต้องการแกนที่ตีความได้→ใช้แทน: pca-biplot
  • ต้องการหลักฐานเชิงปริมาณของการแบ่งกลุ่ม→ใช้แทน: community-graph หรือการวัดคุณภาพการจัดกลุ่ม
  • มีตัวอย่างน้อยกว่า 50→ใช้แทน: scatter-matrix

กราฟที่เกี่ยวข้อง

เทคนิคถัดไป · กราฟสัญลักษณ์