K-Means Clustering

Il K-Means Clustering è un algoritmo fondamentale e ampiamente utilizzato nel campo del unsupervised learning, progettato per scoprire strutture nascoste all'interno di unlabeled data. Il suo obiettivo principale è partizionare un dataset in sottogruppi distinti, noti come cluster, in modo tale che i punti dati all'interno dello stesso gruppo siano il più simili possibile, mentre quelli in gruppi diversi siano distinti. Come pietra miliare del data mining e dell'analisi esplorativa, il K-Means consente ai data scientist di organizzare automaticamente informazioni complesse in categorie gestibili senza la necessità di etichette predefinite o supervisione umana.

Come funziona l'algoritmo#

Il funzionamento del K-Means è iterativo e si basa su metriche di distanza per determinare il raggruppamento ottimale dei training data. L'algoritmo opera organizzando gli elementi in K cluster, dove ciascun elemento appartiene al cluster con la media, o centroide, più vicina. Questo processo riduce al minimo la variance all'interno di ciascun gruppo. Il flusso di lavoro segue generalmente questi passaggi:

1. Inizializzazione: L'algoritmo seleziona K punti iniziali come centroidi. Questi possono essere scelti casualmente o tramite metodi ottimizzati come k-means++ per accelerare la convergence.

2. Assegnazione: Ciascun punto dati nel dataset viene assegnato al centroide più vicino in base a una specifica metrica di distanza, più comunemente la Euclidean distance.

3. Aggiornamento: I centroidi vengono ricalcolati prendendo la media di tutti i punti dati assegnati a quel cluster.

4. Iterazione: I passaggi 2 e 3 vengono ripetuti finché i centroidi non si spostano più in modo significativo o viene raggiunto un numero massimo di iterazioni.

Determinare il numero corretto di cluster (K) è un aspetto critico dell'utilizzo di questo algoritmo. I professionisti utilizzano spesso tecniche come l'Elbow method o analizzano il Silhouette score per valutare quanto siano ben separati i cluster risultanti.

Applicazioni reali nell'IA#

Il K-Means Clustering è estremamente versatile e trova utilità in vari settori per la semplificazione e il data preprocessing.

• Compressione delle immagini e quantizzazione del colore: Nel computer vision (CV), il K-Means aiuta a ridurre le dimensioni dei file delle immagini raggruppando i colori dei pixel. Raggruppando migliaia di colori in un insieme più piccolo di colori dominanti, l'algoritmo esegue efficacemente la dimensionality reduction preservando al contempo la struttura visiva dell'immagine. Questa tecnica viene spesso utilizzata prima di addestrare modelli avanzati di object detection per normalizzare i dati di input.
• Segmentazione della clientela: Le aziende sfruttano il clustering per raggruppare i clienti in base alla cronologia degli acquisti, ai dati demografici o al comportamento sul sito web. Ciò consente strategie di marketing mirate, un componente chiave delle soluzioni di AI in retail. Identificando acquirenti ad alto valore o rischi di abbandono, le aziende possono personalizzare efficacemente i propri messaggi.
• Rilevamento delle anomalie: Imparando la struttura dei cluster di dati "normali", i sistemi possono identificare outliers che si trovano lontani da qualsiasi centroide. Questo è prezioso per il rilevamento delle frodi nella finanza e il anomaly detection nella sicurezza di rete, aiutando a segnalare attività sospette che si deviano dai modelli standard.
• Generazione di anchor box: Storicamente, i rilevatori di oggetti come le versioni precedenti di YOLO utilizzavano il K-Means per calcolare anchor boxes ottimali dai dataset di addestramento. Sebbene i modelli moderni come YOLO26 utilizzino metodi avanzati senza ancore, comprendere il K-Means rimane rilevante per l'evoluzione delle architetture di rilevamento.

Esempio di Implementazione#

Mentre i framework di deep learning come la Ultralytics Platform gestiscono pipeline di addestramento complesse, il K-Means viene spesso utilizzato per analizzare le statistiche dei dataset. Il seguente frammento Python dimostra come raggruppare coordinate 2D, simulando i centroidi degli oggetti, utilizzando la popolare libreria Scikit-learn.

import numpy as np
from sklearn.cluster import KMeans

# Simulated coordinates of detected objects (e.g., from YOLO26 inference)
points = np.array([[10, 10], [12, 11], [100, 100], [102, 101], [10, 12], [101, 102]])

# Initialize K-Means to find 2 distinct groups (clusters)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto").fit(points)

# Output the cluster labels (0 or 1) for each point
print(f"Cluster Labels: {kmeans.labels_}")
# Output: [1 1 0 0 1 0] -> Points near (10,10) are Cluster 1, near (100,100) are Cluster 0

Confronto con algoritmi correlati#

È importante distinguere K-Means da altri algoritmi con nomi o funzioni simili per assicurarsi che venga scelto lo strumento corretto per un progetto.

• K-Means vs. K-Nearest Neighbors (KNN): Questi vengono spesso confusi a causa della "K" nei loro nomi. Il K-Means è un algoritmo non supervisionato utilizzato per raggruppare dati non etichettati. Al contrario, K-Nearest Neighbors (KNN) è un algoritmo di apprendimento supervisionato utilizzato per image classification e regressione, che si basa su dati etichettati per fare previsioni basate sulla classe maggioritaria dei vicini.
• K-Means vs. DBSCAN: Sebbene entrambi raggruppino i dati, il K-Means presuppone che i cluster siano sferici e richiede che il numero di cluster sia definito in anticipo. DBSCAN raggruppa i dati in base alla densità, può trovare cluster di forme arbitrarie e gestisce meglio il rumore. Ciò rende DBSCAN superiore per dati spaziali complessi trovati in datasets con strutture irregolari in cui il numero di cluster è sconosciuto.