Wizualizacja osadzeń
Na tej stronie
Cele
- Redukcja wektorów wysokowymiarowych do wizualizacji 2D/3D
- Wykorzystanie t-SNE i UMAP do wizualizacji
- Interpretacja wizualnych skupisk
Wyzwanie: 3072 wymiary
Osadzenia istnieją w przestrzeni 3072-wymiarowej, której nikt nie jest w stanie bezpośrednio zwizualizować. Aby je przeanalizować, musisz rzutować je na dwa lub trzy wymiary. Wiąże się to z pewną utratą informacji, ale zachowuje istotną strukturę: punkty, które były blisko siebie, powinny pozostać blisko. Jest to potężne narzędzie diagnostyczne. Rozdzielone skupiska lub nakładające się tematy rzucają się w oczy natychmiast, podczas gdy metryki agregujące mogą je całkowicie przeoczyć.
Redukcja wymiarowości za pomocą t-SNE
t-SNE (t-distributed Stochastic Neighbor Embedding) to klasyczna metoda. Znajduje ona układ 2D, w którym każdy punkt zachowuje swoje oryginalne sąsiedztwo. Poniższy przykład celowo buduje korpus z trzema odrębnymi tematami – AI, gotowanie i sport – abyś mógł zweryfikować, czy rzutowanie odtwarza oczekiwaną strukturę.
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()
Trzy parametry sterują wynikiem. perplexity balansuje między strukturą lokalną a globalną; typowe wartości mieszczą się między 5 a 50. Tutaj ustawiono ją na 4, ponieważ korpus zawiera tylko dwanaście punktów, a perplexity wyższa niż liczba dostępnych sąsiadów doprowadziłaby do niespójnego rzutowania. n_iter określa liczbę iteracji optymalizacji, z minimum 250, a idealnie ponad 1000. random_state zapewnia powtarzalność: bez niego dwa kolejne uruchomienia dadzą różne wykresy, uniemożliwiając porównanie.
Redukcja za pomocą UMAP
UMAP (Uniform Manifold Approximation and Projection) jest często preferowany nad t-SNE, ponieważ jest szybszy i lepiej zachowuje strukturę globalną. Innymi słowy, odległość między dwoma skupiskami na wykresie UMAP coś oznacza, podczas gdy w przypadku t-SNE jest ona arbitralna.
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()
Poniższa tabela podsumowuje kompromisy między obiema metodami.
| Kryterium | t-SNE | UMAP |
|---|---|---|
| Szybkość | Wolna (O(n²)) | Szybka |
| Struktura globalna | Słabo zachowana | Dobrze zachowana |
| Powtarzalność | Zmienna | Stabilna |
| Parametry | perplexity | n_neighbors, min_dist |
Interaktywna wizualizacja 3D
W przypadku korpusu liczącego kilkaset punktów statyczny wykres staje się nieczytelny: etykiety nachodzą na siebie i nie można określić, który tekst odpowiada któremu punktowi. Plotly rozwiązuje ten problem, przenosząc informacje do dymków (tooltipów) i pozwalając obracać chmurę punktów.
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()
Powstały plik HTML jest gotowy do udostępnienia. To doskonały sposób, aby pokazać zespołowi biznesowemu, jak rozłożone są ich dokumenty, bez pisania ani jednej linii kodu.
Wizualizacja wpływu redukcji wymiarowości
Lekcja 2 stwierdziła, że skrócenie wektora do 256 wymiarów zachowuje około 88% jego jakości. Liczba ta pozostaje abstrakcyjna, dopóki jej nie zobaczysz. Generując ten sam korpus w czterech różnych rozmiarach i rzutując każdą wersję, bezpośrednio obserwujesz, kiedy skupiska zaczynają się stykać. Pozwala to podjąć decyzję w oparciu o dowody, a nie ogólną regułę.
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()
Ostrzeżenie przed interpretacją tych wykresów: rzutowanie zawsze zniekształca. Izolowany punkt na wykresie niekoniecznie jest izolowany w oryginalnej przestrzeni, a dwa skupiska sklejone ze sobą w 2D mogą być idealnie rozdzielone w 3072 wymiarach. Wizualizacja pomaga sformułować hipotezę, nigdy jej nie potwierdza. Walidacja opiera się na metrykach, które omówimy w Lekcji 10.
Kluczowe wnioski
- t-SNE i UMAP rzutują osadzenia na 2D/3D w celu wizualizacji
- UMAP jest zazwyczaj preferowany ze względu na szybkość i wierność odwzorowania
- Plotly umożliwia interaktywne wizualizacje 3D
- Wizualizacja pomaga zweryfikować jakość osadzeń i wykryć anomalie