Visualiser des représentations vectorielles continues avec t-SNE

Afficher sur ai.google.dev

Exécuter dans Google Colab

Consulter le code source sur GitHub

Présentation

Ce tutoriel explique comment visualiser et effectuer un clustering avec les représentations vectorielles continues de l'API Gemini. Vous visualiserez un sous-ensemble des 20 ensembles de données des groupes de discussion à l'aide de la technique t-SNE et regrouperez ce sous-ensemble à l'aide de l'algorithme KMeans.

Pour en savoir plus sur l'utilisation des représentations vectorielles continues générées à partir de l'API Gemini, consultez le guide de démarrage rapide pour Python.

Conditions préalables

Vous pouvez exécuter ce guide de démarrage rapide dans Google Colab.

Pour suivre ce guide de démarrage rapide dans votre propre environnement de développement, assurez-vous que celui-ci répond aux exigences suivantes:

• Python 3.9 et versions ultérieures
• Une installation de jupyter pour exécuter le notebook

Préparation

Commencez par télécharger et installer la bibliothèque Python de l'API Gemini.

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

Obtenir une clé API

Avant de pouvoir utiliser l'API Gemini, vous devez obtenir une clé API. Si vous n'avez pas encore de clé, créez-en une en un clic dans Google AI Studio.

Obtenir une clé API

Dans Colab, ajoutez la clé dans le gestionnaire de secrets sous l'icône "image" du panneau de gauche. Nommez-la API_KEY.

Une fois que vous disposez de la clé API, transmettez-la au SDK. Pour cela, vous avez le choix entre deux méthodes :

• Placez la clé dans la variable d'environnement GOOGLE_API_KEY (le SDK la récupère automatiquement à partir de là).
• Transmettre la clé à genai.configure(api_key=...)

# Or use `os.getenv('API_KEY')` to fetch an environment variable.
API_KEY=userdata.get('API_KEY')

genai.configure(api_key=API_KEY)

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

models/embedding-001
models/embedding-001

Ensemble de données

L'ensemble de données texte 20 groupes de discussion contient 18 000 posts de groupes de discussion sur 20 sujets,répartis en ensembles d'entraînement et de test. La répartition entre les ensembles de données d'entraînement et de test est basée sur les messages publiés avant et après une date spécifique. Pour ce tutoriel, vous utiliserez le sous-ensemble d'entraînement.

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']

Voici le premier exemple de l'ensemble d'entraînement.

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

Vous allez maintenant échantillonner certaines données en sélectionnant 100 points de données dans l'ensemble de données d'entraînement et en ignorant quelques catégories que vous utiliserez dans ce tutoriel. Choisissez les catégories scientifiques à comparer.

# 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

Créer les représentations vectorielles continues

Dans cette section, vous allez apprendre à générer des représentations vectorielles continues pour les différents textes du DataFrame à l'aide de celles de l'API Gemini.

Modifications apportées à l'API Embeddings avec le modèle Embedding-001

Le nouveau modèle de représentations vectorielles continues, Embedding-001, comporte un nouveau paramètre de type de tâche et un titre facultatif (uniquement valide lorsque task_type=RETRIEVAL_DOCUMENT).

Ces nouveaux paramètres ne s'appliquent qu'aux modèles de représentations vectorielles continues les plus récents.Les types de tâches sont les suivants:

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]

Réduction de la dimensionnalité

La longueur du vecteur de représentation vectorielle continue du document est de 768. Pour visualiser comment les documents intégrés sont regroupés, vous devez réduire la dimensionnalité, car vous ne pouvez visualiser les représentations vectorielles continues que dans un espace 2D ou 3D. Les documents d'un point de vue contextuel doivent être plus proches dans l'espace que les documents moins similaires.

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)

Vous appliquerez l'approche de représentation vectorielle continue stochastique distribuée (t-SNE) pour réduire la dimensionnalité. Cette technique réduit le nombre de dimensions tout en conservant les groupes (les points proches les uns des autres restent proches les uns des autres). Pour les données d'origine, le modèle tente de construire une distribution à partir de laquelle les autres points de données sont des "voisins" (c'est-à-dire qui ont une signification similaire). Elle optimise ensuite une fonction objective pour conserver une distribution similaire dans la visualisation.

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)

Comparer les résultats à des KMeans

Le clustering KMeans est un algorithme de clustering populaire, souvent utilisé pour l'apprentissage non supervisé. Elle détermine de manière itérative les meilleurs k points centraux et attribue chaque exemple au centroïde le plus proche. Saisir les représentations vectorielles continues directement dans l'algorithme KMeans pour comparer leur visualisation aux performances d'un algorithme de machine learning

# 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}

Obtenez la majorité des clusters par groupe et voyez combien de membres de ce groupe se trouvent dans ce cluster.

# 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

Pour mieux visualiser les performances des KMeans appliqués à vos données, vous pouvez utiliser une matrice de confusion. La matrice de confusion vous permet d'évaluer les performances du modèle de classification au-delà de la justesse. Vous pouvez voir à quoi correspondent les points mal classés. Vous aurez besoin des valeurs réelles et des valeurs prédites, que vous avez recueillies dans le DataFrame ci-dessus.

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)

Étapes suivantes

Vous avez maintenant créé votre propre visualisation des représentations vectorielles continues grâce au clustering. Essayez d'utiliser vos propres données textuelles pour les visualiser sous forme de représentations vectorielles continues. Vous pouvez réduire la dimensionnalité afin de terminer l'étape de visualisation. Notez que la TSNE est efficace pour le clustering des entrées, mais qu'elle peut mettre plus de temps à converger ou se bloquer au minimum local. Si vous rencontrez ce problème, vous pouvez également envisager d'utiliser l'analyse en composantes principales (ACP).

Il existe également d'autres algorithmes de clustering en dehors de KMeans, tels que le clustering spatial basé sur la densité (DBSCAN).

Pour en savoir plus sur l'utilisation des représentations vectorielles continues, consultez les tutoriels suivants:

• Détection d'anomalies à l'aide de représentations vectorielles continues
• Recherche de documents avec des représentations vectorielles continues
• Entraîner un classificateur de texte avec des représentations vectorielles continues