Phân Cụm K-Means

Phân cụm K-Means là một thuật toán cơ bản và được sử dụng rộng rãi trong lĩnh vực học không giám sát, được thiết kế để khám phá các cấu trúc ẩn trong dữ liệu chưa được gắn nhãn . Mục tiêu chính của nó là phân chia tập dữ liệu thành các nhóm con riêng biệt, được gọi là các cụm, sao cho các điểm dữ liệu trong cùng một nhóm càng giống nhau càng tốt, trong khi các điểm dữ liệu trong các nhóm khác nhau thì khác biệt. Là nền tảng của khai thác dữ liệu và phân tích khám phá, K-Means cho phép các nhà khoa học dữ liệu tự động sắp xếp thông tin phức tạp thành các danh mục dễ quản lý mà không cần nhãn được xác định trước hoặc sự giám sát của con người.

Thuật toán hoạt động như thế nào

Thuật toán K-Means hoạt động theo phương pháp lặp và dựa trên các thước đo khoảng cách để xác định cách phân nhóm tối ưu cho dữ liệu huấn luyện . Thuật toán hoạt động bằng cách sắp xếp các mục thành K cụm, trong đó mỗi mục thuộc về cụm có giá trị trung bình, hay tâm cụm, gần nhất. Quá trình này giúp giảm thiểu phương sai trong mỗi nhóm. Quy trình làm việc thường tuân theo các bước sau:

1. Khởi tạo: Thuật toán chọn K điểm ban đầu làm tâm cụm. Các điểm này có thể được chọn ngẫu nhiên hoặc thông qua các phương pháp tối ưu hóa như k-means++ để tăng tốc độ hội tụ .
2. Nhiệm vụ: Mỗi điểm dữ liệu trong tập dữ liệu được gán cho tâm cụm gần nhất dựa trên một thước đo khoảng cách cụ thể, thường là khoảng cách Euclidean .
3. Cập nhật: Tâm cụm được tính toán lại bằng cách lấy trung bình cộng của tất cả các điểm dữ liệu được gán cho cụm đó.
4. Lặp lại: Các bước 2 và 3 được lặp lại cho đến khi các tâm không còn di chuyển đáng kể hoặc đạt đến số lần lặp tối đa.

Xác định số lượng cụm ( K ) chính xác là một khía cạnh quan trọng khi sử dụng thuật toán này. Các chuyên gia thường sử dụng các kỹ thuật như phương pháp Elbow hoặc phân tích điểm Silhouette để đánh giá mức độ phân tách tốt của các cụm kết quả.

Ứng dụng thực tế trong AI

Thuật toán phân cụm K-Means rất linh hoạt và được sử dụng rộng rãi trong nhiều ngành công nghiệp để đơn giản hóa và xử lý sơ bộ dữ liệu .

• Nén ảnh và lượng tử hóa màu: Trong thị giác máy tính (CV) , thuật toán K-Means giúp giảm kích thước tệp ảnh bằng cách phân cụm màu pixel. Bằng cách nhóm hàng ngàn màu sắc thành một tập hợp nhỏ hơn các màu chủ đạo, thuật toán này thực hiện giảm chiều dữ liệu một cách hiệu quả trong khi vẫn bảo toàn cấu trúc hình ảnh. Kỹ thuật này thường được sử dụng trước khi huấn luyện các mô hình phát hiện đối tượng nâng cao để chuẩn hóa dữ liệu đầu vào.
• Phân khúc khách hàng: Các doanh nghiệp tận dụng việc phân cụm để nhóm khách hàng dựa trên lịch sử mua hàng, nhân khẩu học hoặc hành vi trên trang web. Điều này cho phép triển khai các chiến lược tiếp thị mục tiêu, một thành phần quan trọng của trí tuệ nhân tạo trong các giải pháp bán lẻ . Bằng cách xác định những khách hàng có giá trị cao hoặc những khách hàng có nguy cơ rời bỏ, các công ty có thể điều chỉnh thông điệp của mình một cách hiệu quả.
• Phát hiện bất thường: Bằng cách học cấu trúc của các cụm dữ liệu "bình thường", hệ thống có thể xác định các điểm bất thường nằm cách xa bất kỳ tâm điểm nào. Điều này rất có giá trị trong việc phát hiện gian lận trong lĩnh vực tài chính và phát hiện bất thường trong an ninh mạng, giúp gắn cờ các hoạt động đáng ngờ lệch khỏi các mô hình chuẩn.
• Tạo hộp neo: Trong lịch sử, các bộ dò đối tượng như các bộ dò cũ hơn thường được sử dụng. YOLO Các phiên bản trước đây sử dụng thuật toán K-Means để tính toán các hộp neo tối ưu từ tập dữ liệu huấn luyện. Mặc dù các mô hình hiện đại như YOLO26 sử dụng các phương pháp không cần neo tiên tiến, việc hiểu về K-Means vẫn rất quan trọng đối với sự phát triển của các kiến ​​trúc phát hiện đối tượng.

Ví dụ triển khai

Trong khi các framework học sâu như nền tảng Ultralytics xử lý các quy trình huấn luyện phức tạp, thuật toán K-Means thường được sử dụng để phân tích số liệu thống kê của tập dữ liệu. Tiếp theo là... Python Đoạn mã này minh họa cách phân cụm tọa độ 2D — mô phỏng tâm đối tượng — bằng cách sử dụng thư viện Scikit-learn phổ biến.

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

So sánh với các thuật toán liên quan

Điều quan trọng là phải phân biệt K-Means với các thuật toán khác có tên hoặc chức năng tương tự để đảm bảo lựa chọn công cụ phù hợp cho dự án.

• K-Means so với K-Nearest Neighbors (KNN): Hai thuật toán này thường bị nhầm lẫn do chữ "K" trong tên gọi. K-Means là một thuật toán không giám sát được sử dụng để phân cụm dữ liệu chưa được gán nhãn. Ngược lại, K-Nearest Neighbors (KNN) là một thuật toán học có giám sát được sử dụng để phân loại và hồi quy hình ảnh , dựa trên dữ liệu được gán nhãn để đưa ra dự đoán dựa trên lớp chiếm đa số trong số các láng giềng.
• So sánh K-Means và DBSCAN: Cả hai đều phân cụm dữ liệu, nhưng K-Means giả định các cụm có hình cầu và yêu cầu phải xác định trước số lượng cụm. DBSCAN nhóm dữ liệu dựa trên mật độ, có thể tìm thấy các cụm có hình dạng bất kỳ và xử lý nhiễu tốt hơn. Điều này làm cho DBSCAN vượt trội hơn đối với dữ liệu không gian phức tạp được tìm thấy trong các tập dữ liệu có cấu trúc bất thường, nơi số lượng cụm chưa được biết.