K-Means Clustering

Phân cụm K-Means là một thuật toán nền tảng 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 gán nhãn. Mục tiêu chính của thuật toán là phân vùng một tập dữ liệu thành các nhóm riêng biệt, gọi là các cụm, sao cho các điểm dữ liệu trong cùng một nhóm giống nhau nhất có thể, trong khi các điểm thuộc những nhóm khác nhau có sự khác biệt rõ rệt. Là nền tảng của khai phá dữ liệu và phân tích khám phá, K-Means giúp các nhà khoa học dữ liệu tự động tổ chức 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.

Cách thuật toán hoạt động#

K-Means hoạt động theo phương thức lặp và dựa vào các thước đo khoảng cách để xác định cách phân nhóm tối ưu cho dữ liệu huấn luyện. Thuật toán tổ chức các phần tử thành K cụm, trong đó mỗi phần tử thuộc về cụm có giá trị trung bình, hay centroid, gần nhất. Quy trình này tối thiểu hóa phương sai trong mỗi nhóm. Quy trình thường gồm các bước sau:

1. Khởi tạo: Thuật toán chọn K điểm ban đầu làm centroid. Các điểm này có thể được chọn ngẫu nhiên hoặc bằng những phương pháp tối ưu như k-means++ để tăng tốc hội tụ.

2. Gán cụm: Mỗi điểm dữ liệu trong tập dữ liệu được gán cho centroid gần nhất dựa trên một thước đo khoảng cách cụ thể, phổ biến nhất là khoảng cách Euclid.

3. Cập nhật: Các centroid được tính toán lại bằng cách lấy giá trị trung bình (mean) của tất cả điểm dữ liệu được gán cho cụm đó.

4. Lặp: Bước 2 và 3 được lặp lại cho đến khi các centroid không còn dịch chuyển đáng kể hoặc đạt đến số lần lặp tối đa.

Việc xác định đúng số lượng cụm (K) là một khía cạnh quan trọng khi sử dụng thuật toán này. Các chuyên gia thường sử dụng những kỹ thuật như phương pháp Elbow hoặc phân tích điểm Silhouette để đánh giá mức độ tách biệt của các cụm tạo ra.

Các Ứng dụng Thực tế trong AI#

Phân cụm K-Means có tính linh hoạt cao và được ứng dụng trong nhiều ngành để đơn giản hóa và tiền xử lý dữ liệu.

• Nén hình ảnh và lượng tử hóa màu: Trong thị giác máy tính (CV), K-Means giúp giảm kích thước tệp hình ảnh bằng cách phân cụm màu của các pixel. Bằng cách nhóm hàng nghìn màu thành một tập hợp nhỏ hơn gồm các màu chủ đạo, thuật toán này thực hiện hiệu quả việc giảm số chiều đồng thời bảo toàn cấu trúc trực quan của hình ảnh. Kỹ thuật này thường được sử dụng trước khi huấn luyện các model phát hiện đối tượng nâng cao để chuẩn hóa dữ liệu đầu vào.
• Phân khúc khách hàng: Các doanh nghiệp tận dụng kỹ thuật phân cụm để nhóm khách hàng dựa trên lịch sử mua hàng, nhân khẩu học hoặc hành vi trên website. Điều này hỗ trợ xây dựng các chiến lược marketing có mục tiêu, một thành phần quan trọng của các giải pháp AI trong bán lẻ. Bằng cách xác định những khách hàng có giá trị cao hoặc có nguy cơ rời bỏ, doanh nghiệp có thể điều chỉnh thông điệp 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 ngoại lệ nằm cách xa mọi centroid. Điều này có giá trị trong việc phát hiện gian lận tài chính và phát hiện bất thường trong bảo mật mạng, giúp đánh dấu các hoạt động đáng ngờ lệch khỏi những mẫu thông thường.
• Tạo Anchor Box: Trước đây, các bộ phát hiện đối tượng như những phiên bản YOLO cũ thường sử dụng K-Means để tính toán anchor box tối ưu từ các tập dữ liệu huấn luyện. Mặc dù các model hiện đại như YOLO26 sử dụng những phương pháp anchor-free nâng cao, việc hiểu K-Means vẫn có ý nghĩa đối với quá trình phát triển của các kiến trúc phát hiện.

Ví dụ triển khai#

Trong khi các framework deep learning như Ultralytics Platform xử lý các pipeline huấn luyện phức tạp, K-Means thường được sử dụng để phân tích thống kê tập dữ liệu. Đoạn mã Python sau đây minh họa cách phân cụm các tọa độ 2D—mô phỏng centroid của đối tượng—bằng thư viện phổ biến 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

So sánh với các thuật toán liên quan#

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

• K-Means và K láng giềng gần nhất (KNN): Hai thuật toán này thường bị nhầm lẫn do có chữ "K" trong tên. K-Means là một thuật toán không giám sát được sử dụng để phân cụm dữ liệu chưa gán nhãn. Ngược lại, K láng giềng gần nhất (KNN) là một thuật toán học có giám sát được sử dụng cho phân loại hình ảnh và hồi quy, dựa vào dữ liệu đã gán nhãn để đưa ra dự đoán theo lớp chiếm đa số của các láng giềng.
• K-Means và DBSCAN: Mặc dù cả hai đều phân cụm dữ liệu, K-Means giả định các cụm có dạng hình cầu và yêu cầu xác định trước số lượng cụm. DBSCAN nhóm dữ liệu dựa trên mật độ, có thể tìm các cụm với hình dạng bất kỳ và xử lý nhiễu tốt hơn. Điều này khiến DBSCAN phù hợp hơn với dữ liệu không gian phức tạp trong các tập dữ liệu có cấu trúc không đều, nơi chưa biết số lượng cụm.