Unsupervised Learning

Học không giám sát là nhánh machine learning tìm cấu trúc trong dữ liệu mà không cần nhãn. Model chỉ nhận đầu vào như ảnh, số đọc cảm biến hoặc hồ sơ khách hàng rồi học cách sắp xếp chúng: mẫu nào giống nhau, đặc trưng nào biến thiên cùng nhau và điểm nào khác biệt với phần còn lại. Học có giám sát cần đáp án chính xác cho mọi mẫu huấn luyện, nhưng phần lớn dữ liệu thu thập được không có nhãn; vì vậy, các phương pháp không giám sát thường là bước đầu tiên để khảo sát dataset mới và tạo ra các nhóm, đặc trưng cô đọng cùng điểm số bất thường làm nền tảng cho các model về sau.

Các nhóm phương pháp chính#

Phân cụm nhóm các mẫu tương tự với nhau. Phân cụm K-means gán mỗi điểm cho tâm cụm gần nhất trong số k tâm; DBSCAN phát triển cụm từ các vùng dày đặc và gán nhãn điểm biệt lập là nhiễu; model hỗn hợp Gaussian khớp các phân phối xác suất chồng lấp bằng thuật toán kỳ vọng-tối đa.

Giảm chiều nén nhiều đặc trưng thành một số ít đặc trưng nhưng vẫn giữ phần lớn thông tin. Phân tích thành phần chính (PCA) tìm các hướng có phương sai lớn nhất; t-SNE và UMAP đặt các điểm nhiều chiều lên bản đồ 2D để trực quan hóa dữ liệu. Autoencoder học kiểu nén tương tự bằng mạng nơ-ron phải tái tạo chính đầu vào của nó.

Ước lượng mật độ mô hình hóa khả năng xảy ra của mỗi đầu vào, nhờ đó có thể phát hiện bất thường chỉ từ dữ liệu bình thường: model chỉ được huấn luyện trên linh kiện nguyên vẹn hoặc giao dịch thông thường sẽ gắn cờ những gì nó cho là ít có khả năng xảy ra. Khai phá luật kết hợp, chẳng hạn thuật toán Apriori, tìm các mặt hàng thường xuất hiện cùng nhau trong giỏ hàng hoặc nhật ký sự kiện.

Học và đánh giá không cần nhãn#

Khi không có mục tiêu, mỗi phương pháp tối ưu một tiêu chí được xác định trên chính đầu vào: k-means giảm khoảng cách từ điểm đến tâm cụm, PCA và autoencoder giảm sai số tái tạo, còn model hỗn hợp tối đa hóa likelihood của dữ liệu. Không thể đo trực tiếp độ chính xác, nên kết quả được đánh giá bằng điểm số nội bộ như hệ số silhouette, mức độ hữu ích của đầu ra đối với các tác vụ phía sau hoặc đối chiếu với những nhãn được giữ lại chỉ để đánh giá.

Ví dụ scikit-learn này phân cụm 1.797 ảnh chữ số viết tay dựa trên giá trị pixel, sau đó so sánh các cụm với nhãn chữ số mà thuật toán chưa từng thấy:

from sklearn.cluster import KMeans
from sklearn.datasets import load_digits
from sklearn.metrics import adjusted_rand_score

# Load 1,797 handwritten digit images as 64 pixel values each, then set the labels aside
X, y = load_digits(return_X_y=True)

# Group the images into 10 clusters using the pixels alone
kmeans = KMeans(n_clusters=10, n_init=10, random_state=0)
clusters = kmeans.fit_predict(X)

# Compare the clusters with the digit labels the model never saw
print(f"Adjusted Rand index: {adjusted_rand_score(y, clusters):.2f}")

Chỉ số Rand hiệu chỉnh là 1,0 khi khớp hoàn hảo và khoảng 0 khi mức độ khớp chỉ do ngẫu nhiên; trong ví dụ này, chỉ số đạt 0,67. Các số 0, 4 và 6 gần như hoàn toàn nằm trong cụm riêng, trong khi một cụm trộn lẫn 100 số 1 với 100 số 8.

Học không giám sát, bán giám sát và tự giám sát#

Học bán giám sát kết hợp tập dữ liệu nhỏ có nhãn với tập dữ liệu lớn không nhãn, thường bằng cách huấn luyện trên dữ liệu có nhãn rồi học từ các dự đoán tự tin của chính model. Học tự giám sát thường được xếp vào nhóm học không giám sát và là cách phần lớn model học sâu lớn học từ dữ liệu không nhãn: phương pháp này tạo mục tiêu dự đoán từ dữ liệu, chẳng hạn từ tiếp theo trong câu hoặc các mảng ảnh bị che trong autoencoder có mask. Model ngôn ngữ lớn được tiền huấn luyện theo cách này trên văn bản không nhãn; DINOv2 của Meta học đặc trưng ảnh đa dụng từ 142 triệu ảnh không có nhãn. Học tăng cường là một thiết lập riêng, trong đó tín hiệu là phần thưởng cho hành động thay vì cấu trúc trong một dataset cố định.

Ứng dụng#

Các nhóm thị giác máy tính dùng phương pháp không giám sát để khám phá bộ dữ liệu trước khi gán nhãn hoặc huấn luyện: phân cụm embedding ảnh giúp phát hiện ảnh gần trùng lặp, ngoại lệ và các cảnh bị đại diện quá mức có thể làm lệch model. Bảng Clustering trên Ultralytics Platform thực hiện việc này trên toàn bộ bộ dữ liệu: nhúng từng ảnh, sắp xếp ảnh trên bản đồ 2D và khi chọn Color by là Clusters, đánh dấu từng cụm ảnh tương tự về thị giác theo thứ tự từ lớn đến nhỏ, đồng thời liệt kê các điểm nằm ngoài mọi cụm là Scattered. Một loạt khung hình video gần như giống hệt nhau hoặc một số ngoại lệ rời rạc sẽ nổi bật tại đây trước khi model YOLO26 được huấn luyện trên dữ liệu.

Kiểm tra công nghiệp chủ yếu dựa vào khía cạnh phát hiện bất thường. Lỗi hiếm gặp và đa dạng, vì vậy nhiều hệ thống phát hiện lỗi chỉ học đặc điểm của các bộ phận đạt chuẩn rồi đánh dấu mọi vùng ảnh khác biệt. Các ngân hàng áp dụng ý tưởng tương tự cho giao dịch trong phát hiện gian lận, còn các nhà bán lẻ phân cụm lịch sử mua hàng thành các phân khúc khách hàng để tiếp thị và xây dựng hệ thống gợi ý. Trong genomics đơn bào, các nhà nghiên cứu phân cụm hồ sơ biểu hiện gene của hàng nghìn tế bào riêng lẻ và biểu diễn chúng bằng UMAP để khám phá các loại tế bào mà không cần biết trước.