K-Means Clustering

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 bên trong dữ liệu không 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 (cluster), sao cho các điểm dữ liệu trong cùng một nhóm giống nhau nhất có thể, trong khi các điểm ở các nhóm khác nhau thì khác biệt nhau. Là một nền tảng của khai phá dữ liệu và phân tích khám phá, K-Means cho phép 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 định sẵn hoặc sự giám sát của con người.

Link to this sectionCách thuật toán hoạt động#

Hoạt động của K-Means mang tính lặp đi lặp lại và dựa vào các số liệu khoảng cách để xác định nhóm tối ưu của dữ liệu huấn luyện. Thuật toán hoạt động bằng cách tổ chức các mục thành K cụm, trong đó mỗi mục thuộc về cụm có giá trị trung bình gần nhất, hay còn gọi là tâm cụm (centroid). Quá trình này 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. Gán: Mỗi điểm dữ liệu trong tập dữ liệu được gán cho tâm cụm gần nhất dựa trên một số liệu khoảng cách cụ thể, phổ biến nhất là khoảng cách Euclid.

3. Cập nhật: Các tâm cụm được tính toán lại bằng cách lấy giá trị trung bình 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 cụm không còn di chuyển đáng kể hoặc đạt đến số lần lặp tối đa.

Việc 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 tách biệt của các cụm kết quả.

Link to this sectionCác ứng dụng thực tế trong AI#

Phân cụm K-Means có tính linh hoạt cao và hữu ích trong nhiều ngành công nghiệp để đơn giản hóa và tiền xử lý dữ liệu.

• Nén ảnh và Lượng tử hóa màu: Trong thị giác máy tính (CV), 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 thực hiện hiệu quả việc giảm chiều dữ liệu trong khi vẫn giữ được cấu trúc thị giác của 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 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 thực hiện các chiến lược tiếp thị mục tiêu, một thành phần chính của các giải pháp AI trong bán lẻ. Bằng cách xác định những người mua hàng có giá trị cao hoặc các rủi ro rời bỏ dịch vụ, các công ty có thể điều chỉnh thông điệp của họ một cách hiệu quả.
• Phát hiện bất thường: Bằng cách tìm hiểu cấu trúc của các cụm dữ liệu "bình thường", các hệ thống có thể xác định các điểm ngoại lai nằm cách xa bất kỳ tâm cụm nào. Điều này có giá trị trong việc phát hiện gian lận tài chính và phát hiện bất thường trong bảo mật mạng, giúp gắn cờ các hoạt động đáng ngờ đi lệch khỏi các mẫu tiêu chuẩn.
• Tạo Anchor Box: Trong lịch sử, các trình phát hiện đối tượng như các phiên bản YOLO cũ hơn đã sử dụng K-Means để tính toán các anchor box tối ưu từ tập dữ liệu huấn luyện. Mặc dù các mô hình hiện đại như YOLO26 sử dụng các phương pháp không cần anchor tiên tiến, việc hiểu về K-Means vẫn liên quan đến sự tiến hóa của các kiến trúc phát hiện.

Link to this sectionVí dụ về triển khai#

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

Link to this sectionSo sánh với các thuật toán liên quan#

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

• K-Means so với K-Nearest Neighbors (KNN): Chúng 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 không có nhãn. Ngược lại, K-Nearest Neighbors (KNN) là một thuật toán học có giám sát được sử dụng cho phân loại ảnh và hồi quy, dựa trên dữ liệu đã được gắn nhãn để đưa ra dự đoán dựa trên lớp chiếm đa số của các láng giềng.
• K-Means so với 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 thấy các cụm có hình dạng tùy ý và xử lý nhiễu tốt hơn. Điều này làm cho DBSCAN vượt trội đối với dữ liệu không gian phức tạp có trong các tập dữ liệu với cấu trúc bất thường nơi mà số lượng cụm là không xác định.