t-SNE का इस्तेमाल करके एम्बेड किए गए कॉन्टेंट को विज़ुअलाइज़ करना

ai.google.dev पर देखें

Colab notebook को आज़माएं

GitHub पर notebook देखें

खास जानकारी

इस ट्यूटोरियल में, Gemini API से एम्बेड की गई फ़ाइलों को विज़ुअलाइज़ करने और उनके साथ क्लस्टरिंग करने का तरीका बताया गया है. t-SNE का इस्तेमाल करके, 20 न्यूज़ग्रुप डेटासेट के सबसेट को विज़ुअलाइज़ किया जा सकता है. साथ ही, ऐसे क्लस्टर को विज़ुअलाइज़ किया जाएगा जो KMeans एल्गोरिदम का इस्तेमाल करता है.

Gemini API से जनरेट किए गए एम्बेड करने की सुविधा का इस्तेमाल शुरू करने के बारे में ज़्यादा जानने के लिए, Python क्विकस्टार्ट लेख पढ़ें.

ज़रूरी शर्तें

इस क्विकस्टार्ट को Google Colab में चलाया जा सकता है.

अपने डेवलपमेंट एनवायरमेंट में इस क्विकस्टार्ट को पूरा करने के लिए, पक्का करें कि आपका एनवायरमेंट इन शर्तों को पूरा करता हो:

• Python 3.9 और उसके बाद के वर्शन
• नोटबुक को चलाने के लिए jupyter को इंस्टॉल किया गया.

सेटअप

सबसे पहले, Gemini API की Python लाइब्रेरी को डाउनलोड और इंस्टॉल करें.

pip install -U -q google.generativeai

import re
import tqdm
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

import google.generativeai as genai

# Used to securely store your API key
from google.colab import userdata

from sklearn.datasets import fetch_20newsgroups
from sklearn.manifold import TSNE
from sklearn.cluster import KMeans
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

कोई एपीआई पासकोड पाएं

Gemini API का इस्तेमाल करने से पहले, आपको एपीआई पासकोड हासिल करना होगा. अगर आपके पास पहले से कोई बटन नहीं है, तो Google AI Studio में बस एक क्लिक करके बटन बनाएं.

एपीआई पासकोड पाएं

Colab में, "GIF" में जाकर सीक्रेट मैनेजर में कुंजी जोड़ें क्लिक करें. इसे API_KEY नाम दें.

एपीआई पासकोड मिलने के बाद, उसे SDK टूल को भेजें. आप इसे दो तरीकों से कर सकते हैं:

• कुंजी को GOOGLE_API_KEY एनवायरमेंट वैरिएबल में डालें. SDK टूल इसे वहां से अपने-आप चुन लेगा.
• कुंजी को genai.configure(api_key=...) को पास करें

genai.configure(api_key=GOOGLE_API_KEY)

for m in genai.list_models():
  if 'embedContent' in m.supported_generation_methods:
    print(m.name)

models/embedding-001
models/embedding-001

डेटासेट

20 न्यूज़ग्रुप टेक्स्ट डेटासेट में, 20 विषयों पर 18,000 न्यूज़ग्रुप पोस्ट हैं. इन्हें ट्रेनिंग और टेस्ट सेट में बांटा गया है. ट्रेनिंग और टेस्ट डेटासेट के बीच का बंटवारा, किसी खास तारीख से पहले और उसके बाद पोस्ट किए गए मैसेज के हिसाब से होता है. इस ट्यूटोरियल के लिए, आपको ट्रेनिंग के सबसेट का इस्तेमाल करना होगा.

newsgroups_train = fetch_20newsgroups(subset='train')

# View list of class names for dataset
newsgroups_train.target_names

['alt.atheism',
 'comp.graphics',
 'comp.os.ms-windows.misc',
 'comp.sys.ibm.pc.hardware',
 'comp.sys.mac.hardware',
 'comp.windows.x',
 'misc.forsale',
 'rec.autos',
 'rec.motorcycles',
 'rec.sport.baseball',
 'rec.sport.hockey',
 'sci.crypt',
 'sci.electronics',
 'sci.med',
 'sci.space',
 'soc.religion.christian',
 'talk.politics.guns',
 'talk.politics.mideast',
 'talk.politics.misc',
 'talk.religion.misc']

ट्रेनिंग सेट का पहला उदाहरण यहां दिया गया है.

idx = newsgroups_train.data[0].index('Lines')
print(newsgroups_train.data[0][idx:])

Lines: 15

 I was wondering if anyone out there could enlighten me on this car I saw
the other day. It was a 2-door sports car, looked to be from the late 60s/
early 70s. It was called a Bricklin. The doors were really small. In addition,
the front bumper was separate from the rest of the body. This is 
all I know. If anyone can tellme a model name, engine specs, years
of production, where this car is made, history, or whatever info you
have on this funky looking car, please e-mail.

Thanks,

- IL
   ---- brought to you by your neighborhood Lerxst ----

# Apply functions to remove names, emails, and extraneous words from data points in newsgroups.data
newsgroups_train.data = [re.sub(r'[\w\.-]+@[\w\.-]+', '', d) for d in newsgroups_train.data] # Remove email
newsgroups_train.data = [re.sub(r"\([^()]*\)", "", d) for d in newsgroups_train.data] # Remove names
newsgroups_train.data = [d.replace("From: ", "") for d in newsgroups_train.data] # Remove "From: "
newsgroups_train.data = [d.replace("\nSubject: ", "") for d in newsgroups_train.data] # Remove "\nSubject: "

# Put training points into a dataframe
df_train = pd.DataFrame(newsgroups_train.data, columns=['Text'])
df_train['Label'] = newsgroups_train.target
# Match label to target name index
df_train['Class Name'] = df_train['Label'].map(newsgroups_train.target_names.__getitem__)
# Retain text samples that can be used in the gecko model.
df_train = df_train[df_train['Text'].str.len() < 10000]

df_train

इसके बाद, ट्रेनिंग वाले डेटासेट में 100 डेटा पॉइंट लेकर कुछ डेटा को सैंपल किया जाएगा. इसके बाद, इस ट्यूटोरियल में कुछ कैटगरी छोड़ें. तुलना करने के लिए विज्ञान की कैटगरी चुनें.

# Take a sample of each label category from df_train
SAMPLE_SIZE = 150
df_train = (df_train.groupby('Label', as_index = False)
                    .apply(lambda x: x.sample(SAMPLE_SIZE))
                    .reset_index(drop=True))

# Choose categories about science
df_train = df_train[df_train['Class Name'].str.contains('sci')]

# Reset the index
df_train = df_train.reset_index()
df_train

df_train['Class Name'].value_counts()

sci.crypt          150
sci.electronics    150
sci.med            150
sci.space          150
Name: Class Name, dtype: int64

एम्बेड करना

इस सेक्शन में, आपको Gemini API से एम्बेड की गई चीज़ों का इस्तेमाल करके, डेटाफ़्रेम में अलग-अलग टेक्स्ट के लिए एम्बेड करने की प्रोसेस जनरेट करने का तरीका बताया गया है.

मॉडल एम्बेडिंग-001 के साथ एम्बेड करने के लिए एपीआई में बदलाव

एम्बेड करने के नए मॉडल, एम्बेडिंग-001 के लिए, एक नया टास्क टाइप पैरामीटर और वैकल्पिक टाइटल उपलब्ध है. यह सिर्फ़ Task_type=RETRIEVAL_DOCUMENT के साथ मान्य होता है.

ये नए पैरामीटर, एम्बेड करने के सबसे नए मॉडल पर ही लागू होते हैं.ये टास्क इस तरह के हैं:

टास्क किस तरह का है	ब्यौरा
RETRIEVAL_QUERY	तय करता है कि दिया गया टेक्स्ट, खोज/वापस पाने की सेटिंग में क्वेरी है.
RETRIEVAL_DOCUMENT	तय करता है कि दिया गया टेक्स्ट, खोज/वापस पाने की सेटिंग में मौजूद दस्तावेज़ है.
SEMANTIC_SIMILARITY	इससे पता चलता है कि दिए गए टेक्स्ट का इस्तेमाल, सिमैंटिक टेक्स्ट वाली समानता (STS) के लिए किया जाएगा.
वर्गीकरण	इससे पता चलता है कि एम्बेड करने की सुविधा का इस्तेमाल, कैटगरी तय करने के लिए किया जाएगा.
क्लस्टरिंग	इससे पता चलता है कि एम्बेड करने की सुविधा का इस्तेमाल, क्लस्टर बनाने के लिए किया जाएगा.

from tqdm.auto import tqdm
tqdm.pandas()

from google.api_core import retry

def make_embed_text_fn(model):

  @retry.Retry(timeout=300.0)
  def embed_fn(text: str) -> list[float]:
    # Set the task_type to CLUSTERING.
    embedding = genai.embed_content(model=model,
                                    content=text,
                                    task_type="clustering")
    return embedding["embedding"]

  return embed_fn

def create_embeddings(df):
  model = 'models/embedding-001'
  df['Embeddings'] = df['Text'].progress_apply(make_embed_text_fn(model))
  return df

df_train = create_embeddings(df_train)

0%|          | 0/600 [00:00<?, ?it/s]

डाइमेंशन में कमी

दस्तावेज़ एम्बेड करने वाले वेक्टर की लंबाई 768 है. एम्बेड किए गए दस्तावेज़ों को एक साथ ग्रुप करने के तरीके को विज़ुअलाइज़ करने के लिए, आपको डाइमेंशनलिटी रिडक्शन को लागू करना होगा. इसकी वजह यह है कि एम्बेड को सिर्फ़ 2D या 3D स्पेस में विज़ुअलाइज़ किया जा सकता है. संदर्भ के हिसाब से एक जैसे दस्तावेज़, स्पेस में एक-दूसरे के ज़्यादा करीब होने चाहिए. हालांकि, एक जैसे दो दस्तावेज़ नहीं होने चाहिए.

len(df_train['Embeddings'][0])

768

# Convert df_train['Embeddings'] Pandas series to a np.array of float32
X = np.array(df_train['Embeddings'].to_list(), dtype=np.float32)
X.shape

(600, 768)

डाइमेंशनिकिटी में कमी करने के लिए, टी-डिस्ट्रिब्यूटेड स्टॉकास्टिक नेबर एम्बेडिंग (t-SNE) अप्रोच को लागू किया जाएगा. यह तकनीक डाइमेंशन की संख्या कम करती है, जबकि क्लस्टर (एक-दूसरे के पास मौजूद पॉइंट एक-दूसरे के पास रहते हैं) को सुरक्षित रखा जाता है. ओरिजनल डेटा के लिए, मॉडल ऐसा डिस्ट्रिब्यूशन बनाने की कोशिश करता है जिसमें अन्य डेटा पॉइंट "पड़ोसी" हों (उदाहरण के लिए, उनका एक जैसा मतलब होता है). इसके बाद, यह विज़ुअलाइज़ेशन में एक जैसा डिस्ट्रिब्यूशन बनाए रखने के लिए मकसद फ़ंक्शन को ऑप्टिमाइज़ करता है.

tsne = TSNE(random_state=0, n_iter=1000)
tsne_results = tsne.fit_transform(X)

df_tsne = pd.DataFrame(tsne_results, columns=['TSNE1', 'TSNE2'])
df_tsne['Class Name'] = df_train['Class Name'] # Add labels column from df_train to df_tsne
df_tsne

fig, ax = plt.subplots(figsize=(8,6)) # Set figsize
sns.set_style('darkgrid', {"grid.color": ".6", "grid.linestyle": ":"})
sns.scatterplot(data=df_tsne, x='TSNE1', y='TSNE2', hue='Class Name', palette='hls')
sns.move_legend(ax, "upper left", bbox_to_anchor=(1, 1))
plt.title('Scatter plot of news using t-SNE');
plt.xlabel('TSNE1');
plt.ylabel('TSNE2');
plt.axis('equal')

(-46.191162300109866,
 53.521015357971194,
 -39.96646995544434,
 37.282975387573245)

नतीजों की तुलना KMeans से करें

केएमईन्स क्लस्टरिंग, क्लस्टरिंग का एक लोकप्रिय एल्गोरिदम है. इसका इस्तेमाल अक्सर, बिना निगरानी के चलने वाली लर्निंग के लिए किया जाता है. यह फिर से सबसे अच्छे k केंद्र बिंदु तय करता है और हर उदाहरण को सबसे पास के केंद्रक को असाइन करता है. एम्बेड किए गए कॉन्टेंट को सीधे KMeans एल्गोरिदम में डालें. इससे, एम्बेड किए गए कॉन्टेंट के विज़ुअलाइज़ेशन की तुलना, मशीन लर्निंग एल्गोरिदम की परफ़ॉर्मेंस से की जा सकती है.

# Apply KMeans
kmeans_model = KMeans(n_clusters=4, random_state=1, n_init='auto').fit(X)
labels = kmeans_model.fit_predict(X)

df_tsne['Cluster'] = labels
df_tsne

fig, ax = plt.subplots(figsize=(8,6)) # Set figsize
sns.set_style('darkgrid', {"grid.color": ".6", "grid.linestyle": ":"})
sns.scatterplot(data=df_tsne, x='TSNE1', y='TSNE2', hue='Cluster', palette='magma')
sns.move_legend(ax, "upper left", bbox_to_anchor=(1, 1))
plt.title('Scatter plot of news using KMeans Clustering');
plt.xlabel('TSNE1');
plt.ylabel('TSNE2');
plt.axis('equal')

(-46.191162300109866,
 53.521015357971194,
 -39.96646995544434,
 37.282975387573245)

def get_majority_cluster_per_group(df_tsne_cluster, class_names):
  class_clusters = dict()
  for c in class_names:
    # Get rows of dataframe that are equal to c
    rows = df_tsne_cluster.loc[df_tsne_cluster['Class Name'] == c]
    # Get majority value in Cluster column of the rows selected
    cluster = rows.Cluster.mode().values[0]
    # Populate mapping dictionary
    class_clusters[c] = cluster
  return class_clusters

classes = df_tsne['Class Name'].unique()
class_clusters = get_majority_cluster_per_group(df_tsne, classes)
class_clusters

{'sci.crypt': 1, 'sci.electronics': 3, 'sci.med': 2, 'sci.space': 0}

हर ग्रुप के ज़्यादा से ज़्यादा क्लस्टर पाएं. साथ ही, देखें कि उस क्लस्टर में उस ग्रुप के कितने सदस्य हैं.

# Convert the Cluster column to use the class name
class_by_id = {v: k for k, v in class_clusters.items()}
df_tsne['Predicted'] = df_tsne['Cluster'].map(class_by_id.__getitem__)

# Filter to the correctly matched rows
correct = df_tsne[df_tsne['Class Name'] == df_tsne['Predicted']]

# Summarise, as a percentage
acc = correct['Class Name'].value_counts() / SAMPLE_SIZE
acc

sci.space          0.966667
sci.med            0.960000
sci.electronics    0.953333
sci.crypt          0.926667
Name: Class Name, dtype: float64

# Get predicted values by name
df_tsne['Predicted'] = ''
for idx, rows in df_tsne.iterrows():
  cluster = rows['Cluster']
  # Get key from mapping based on cluster value
  key = list(class_clusters.keys())[list(class_clusters.values()).index(cluster)]
  df_tsne.at[idx, 'Predicted'] = key

df_tsne

अपने डेटा पर लागू किए गए केएमीन की परफ़ॉर्मेंस को बेहतर तरीके से विज़ुअलाइज़ करने के लिए, कन्फ़्यूज़न मैट्रिक्स का इस्तेमाल किया जा सकता है. भ्रम की स्थिति वाले मैट्रिक्स की मदद से, क्लासिफ़िकेशन मॉडल की परफ़ॉर्मेंस का आकलन सटीक तरीके से नहीं किया जा सकता. यह देखा जा सकता है कि किन पॉइंट को गलत कैटगरी में रखा गया है. आपको उन असल वैल्यू और अनुमानित वैल्यू की ज़रूरत होगी जिन्हें आपने ऊपर दिए गए डेटाफ़्रेम में इकट्ठा किया है.

cm = confusion_matrix(df_tsne['Class Name'].to_list(), df_tsne['Predicted'].to_list())
disp = ConfusionMatrixDisplay(confusion_matrix=cm,
                              display_labels=classes)
disp.plot(xticks_rotation='vertical')
plt.title('Confusion Matrix for Actual and Clustered Newsgroups');
plt.grid(False)

अगले चरण

अब आपने क्लस्टरिंग की मदद से एम्बेड करने का अपना विज़ुअलाइज़ेशन बना लिया है! अपने खुद के टेक्स्ट डेटा का इस्तेमाल करके, उन्हें एम्बेड करने की सुविधा के तौर पर विज़ुअलाइज़ करें. विज़ुअलाइज़ेशन का चरण पूरा करने के लिए, डाइमेंशन के आधार पर उपयोगकर्ता को कम करने की कार्रवाई की जा सकती है. ध्यान दें कि TSNE, इनपुट को क्लस्टर में बांटने में अच्छा है, लेकिन एक साथ काम करने में ज़्यादा समय लग सकता है या लोकल मिनिमा में अटक सकता है. अगर आपको यह समस्या आती है, तो प्रिंसिपल कॉम्पोनेंट विश्लेषण (पीसीए) तकनीक का इस्तेमाल किया जा सकता है.

केएमियंस के बाहर भी दूसरे क्लस्टरिंग एल्गोरिदम मौजूद हैं, जैसे कि डेंसिटी-बेस्ड स्पेशल क्लस्टरिंग (DBSCAN).

एम्बेड करने की सुविधा का इस्तेमाल कैसे किया जा सकता है, इस बारे में ज़्यादा जानने के लिए ये दूसरे ट्यूटोरियल देखें:

• एम्बेड करने की सुविधा की मदद से गड़बड़ी की पहचान करना
• एम्बेड करके दस्तावेज़ खोजना
• एम्बेड की गई फ़ाइलों की मदद से टेक्स्ट की कैटगरी तय करने वाले एल्गोरिदम को ट्रेनिंग देना