Визуализиране на вграждания
На тази страница
Цели
- Намаляване на размерността на високоизмерните вектори за 2D/3D визуализация
- Използване на t-SNE и UMAP за визуализация
- Тълкуване на визуалните клъстери
Предизвикателството: 3072 измерения
Вгражданията съществуват в 3072-измерно пространство, което никой не може да визуализира директно. За да ги инспектирате, трябва да ги проектирате в две или три измерения. Това допуска известна загуба на информация, но запазва основната структура: точки, които са били близки, трябва да останат близки. Това е мощен диагностичен инструмент. Разделен клъстер или припокриващи се теми изскачат на пръв поглед, докато агрегираните метрики може изцяло да ги пропуснат.
Намаляване на размерността с t-SNE
t-SNE (t-distributed Stochastic Neighbor Embedding) е класическият метод. Той намира 2D оформление, при което всяка точка запазва оригиналното си съседство. Примерът по-долу умишлено изгражда корпус с три отделни теми – изкуствен интелект, готвене и спорт, – за да можете да проверите дали проекцията възстановява очакваната структура.
from openai import OpenAI
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import numpy as np
client = OpenAI()
# Example corpus
textes = [
# AI Cluster
"Deep learning uses neural networks",
"Machine learning transforms data science",
"Transformers revolutionized NLP",
"GPT-5 is a large language model",
# Cooking Cluster
"Chocolate cake recipe",
"How to prepare ratatouille",
"Basics of French pastry",
"Oven baking techniques",
# Sports Cluster
"Paris Marathon attracts thousands of runners",
"Interval training for running",
"Soccer rules explained",
"Sports nutrition and performance",
]
categories = (["AI"] * 4 + ["Cooking"] * 4 + ["Sports"] * 4)
# Generate embeddings
response = client.embeddings.create(
input=textes,
model="text-embedding-3-large"
)
embeddings = np.array([d.embedding for d in response.data])
# t-SNE reduction to 2D
tsne = TSNE(n_components=2, random_state=42, perplexity=4)
coords = tsne.fit_transform(embeddings)
# Visualization
couleurs = {"AI": "#2563eb", "Cooking": "#dc2626", "Sports": "#16a34a"}
fig, ax = plt.subplots(figsize=(10, 8))
for cat in couleurs:
mask = [c == cat for c in categories]
ax.scatter(
coords[mask, 0], coords[mask, 1],
c=couleurs[cat], label=cat, s=100, alpha=0.8
)
for i, (x, y) in enumerate(coords[mask]):
idx = [j for j, m in enumerate(mask) if m][i]
ax.annotate(
textes[idx][:30] + "...",
(x, y), fontsize=7, alpha=0.7
)
ax.legend()
ax.set_title("t-SNE Visualization of Embeddings")
plt.tight_layout()
plt.savefig("tsne_embeddings.png", dpi=150)
plt.show()
Три параметъра движат резултата. perplexity балансира локалната спрямо глобалната структура, като типичните стойности са между 5 и 50; тук тя е зададена на 4, защото корпусът съдържа само дванадесет точки, а perplexity, по-висока от наличните съседи, би произвела несвързана проекция. n_iter задава броя на итерациите за оптимизация, с минимум 250 и идеално повече от 1000. random_state осигурява възпроизводимост: без него два последователни запуска ще дадат различни фигури, правейки сравнението невъзможно.
Намаляване с UMAP
UMAP (Uniform Manifold Approximation and Projection) често се предпочита пред t-SNE, защото е по-бърз и запазва по-добре глобалната структура. С други думи, разстоянието между два клъстера на UMAP диаграма има значение, докато при t-SNE то е произволно.
import umap
# UMAP reduction to 2D
reducer = umap.UMAP(n_components=2, random_state=42, n_neighbors=5)
coords_umap = reducer.fit_transform(embeddings)
fig, ax = plt.subplots(figsize=(10, 8))
for cat in couleurs:
mask = [c == cat for c in categories]
ax.scatter(
coords_umap[mask, 0], coords_umap[mask, 1],
c=couleurs[cat], label=cat, s=100, alpha=0.8
)
ax.legend()
ax.set_title("UMAP Visualization of Embeddings")
plt.tight_layout()
plt.savefig("umap_embeddings.png", dpi=150)
plt.show()
Следващата таблица обобщава компромисите между двата метода.
| Критерий | t-SNE | UMAP |
|---|---|---|
| Скорост | Бавна (O(n²)) | Бърза |
| Глобална структура | Лошо запазена | Добре запазена |
| Възпроизводимост | Променлива | Стабилна |
| Параметри | perplexity | n_neighbors, min_dist |
Интерактивна 3D визуализация
При корпус от няколкостотин точки статичната фигура става нечетлива: етикетите се припокриват и не можете да кажете кой текст на коя точка съответства. Plotly решава това, като премества информацията в подсказки (tooltips) и ви позволява да въртите облака от точки.
import plotly.express as px
import pandas as pd
# Reduction to 3D
reducer_3d = umap.UMAP(n_components=3, random_state=42, n_neighbors=5)
coords_3d = reducer_3d.fit_transform(embeddings)
df = pd.DataFrame({
"x": coords_3d[:, 0],
"y": coords_3d[:, 1],
"z": coords_3d[:, 2],
"category": categories,
"text": [t[:50] for t in textes]
})
fig = px.scatter_3d(
df, x="x", y="y", z="z",
color="category",
hover_data=["text"],
title="3D Embeddings"
)
fig.write_html("embeddings_3d.html")
fig.show()
Полученият HTML файл е готов за споделяне. Това е отличен начин да покажете на бизнес екипа как са разпределени техните документи, без да пишете нито ред код.
Визуализиране на ефекта от намаляването на размерността
Урок 2 посочи, че съкращаването на вектор до 256 измерения запазва около 88% от неговото качество. Тази цифра остава абстрактна, докато не я видите. Чрез генериране на същия корпус с четири различни размера и проектиране на всяка версия, вие наблюдавате директно кога клъстерите започват да се допират. Това ви позволява да вземете решение въз основа на доказателства, а не на общо правило.
dimensions_a_tester = [256, 512, 1536, 3072]
fig, axes = plt.subplots(1, 4, figsize=(24, 5))
for ax, dim in zip(axes, dimensions_a_tester):
resp = client.embeddings.create(
input=textes,
model="text-embedding-3-large",
dimensions=dim
)
embs = np.array([d.embedding for d in resp.data])
tsne = TSNE(n_components=2, random_state=42, perplexity=4)
coords = tsne.fit_transform(embs)
for cat in couleurs:
mask = [c == cat for c in categories]
ax.scatter(coords[mask, 0], coords[mask, 1],
c=couleurs[cat], label=cat, s=60)
ax.set_title(f"{dim} dimensions")
ax.legend(fontsize=7)
plt.tight_layout()
plt.savefig("comparaison_dimensions.png", dpi=150)
plt.show()
Предупреждение преди тълкуването на тези фигури: проекцията винаги изкривява. Изолирана точка на графиката не е непременно изолирана в оригиналното пространство, а два клъстера, залепени един за друг в 2D, може да са перфектно разделени в 3072 измерения. Визуализацията ви помага да формулирате хипотеза, но никога да я валидирате. Валидацията разчита на метриките, които ще разгледаме в Урок 10.
Ключови изводи
- t-SNE и UMAP проектират вгражданията в 2D/3D за визуализация
- UMAP обикновено се предпочита заради скоростта и точността си
- Plotly позволява интерактивни 3D визуализации
- Визуализацията помага за валидиране на качеството на вгражданията и откриване на аномалии