โมเดลการจัดกลุ่มแบบ Differential Privacy

ความเป็นส่วนตัวของข้อมูลและการทำให้ข้อมูลไม่ระบุตัวตนด้วย Python

Rebeca Gonzalez

Data engineer

เปรียบเทียบโมเดล

ภาพแสดง 3 กลุ่มในข้อมูล หลังจากจัดกลุ่มด้วย k-means แบบไม่มี Privacy

ภาพแสดง 3 กลุ่มในข้อมูล หลังจากจัดกลุ่มด้วย k-means แบบ Private

เปรียบเทียบโมเดล

ภาพแสดงความแตกต่างระหว่างผลการจัดกลุ่มทั้งสองแบบ แสดงเป็นจุดสีชมพู

ความแตกต่างระหว่างกลุ่มที่ได้จากทั้งสองโมเดล
ผลลัพธ์ส่วนใหญ่ตรงกัน

สร้างโมเดลการจัดกลุ่มแบบ Differential Privacy

from diffprivlib.models import KMeans


# Computing the clusters with the DP model
model = KMeans(epsilon=1, n_clusters=3)


# Run the model and obtain clusters
clusters = model.fit_predict(X)

ปรับปรุงโมเดลการจัดกลุ่มแบบ DP

สามารถประมวลผลข้อมูลล่วงหน้าก่อนทำการจัดกลุ่มได้
การปรับสเกลฟีเจอร์ด้วย StandardScaler และการลดมิติด้วย PCA
- เพื่อลด Inertia ของโมเดล
- ได้กลุ่มที่แม่นยำมากขึ้น
ทำได้ด้วย diffprivlib เช่นเดียวกับโมเดลใน sklearn

ปรับปรุงโมเดลการจัดกลุ่มแบบ DP

from sklearn.decomposition import PCA


# Initialize PCA
pca = PCA()


# Fit transform data with PCA
X = pca.fit_transform(X)


# Computing the clusters with the DP model
model = dp_Kmeans(epsilon=1, n_clusters=3)


# Run the model and obtain clusters
clusters = model.fit_predict(X)

ปรับปรุงโมเดลการจัดกลุ่มแบบ DP

ภาพแสดง Scatter Plot สองกราฟพร้อมผลการจัดกลุ่ม

ปรับปรุงโมเดลการจัดกลุ่มแบบ DP

ภาพแสดงความแตกต่างระหว่างผลการจัดกลุ่มทั้งสองแบบ แสดงเป็นจุดสีชมพู

ผลลัพธ์ดีขึ้นเมื่อใช้การแปลงข้อมูล

Elbow Method

ภาพแสดงกราฟที่ได้จากการใช้ Elbow Method กับข้อมูล

Epsilon

from diffprivlib.models import KMeans as model


# Computing the clusters with the DP model
model = dp_Kmeans(epsilon=0.2, n_clusters=3)


# Run the model and obtain clusters
clusters = model.fit_predict(X)

Epsilon

ภาพแสดง Scatter Plot สองกราฟพร้อมผลการจัดกลุ่ม

มาฝึกกันเถอะ!

ความเป็นส่วนตัวของข้อมูลและการทำให้ข้อมูลไม่ระบุตัวตนด้วย Python