K-means là gì? Phương pháp chia dữ liệu thành k cụm không cần nhãn
K-means (phân cụm k-means) là một thuật toán phân cụm trong học không giám sát, dùng để chia các điểm dữ liệu thành (k) cụm. Các điểm trong cùng một cụm nằm gần một điểm gọi là tâm cụm (centroid), còn các cụm khác nhau thì tách biệt. Thuật toán lặp lại giữa việc gán điểm vào cụm gần nhất và cập nhật tâm cụm cho đến khi kết quả ổn định.
Phân cụm k-means là gì
Khi có dữ liệu nhưng không có nhãn cho biết mỗi điểm thuộc nhóm nào, k-means tự tìm cấu trúc nhóm dựa trên sự giống nhau. Đây là một dạng lượng tử hóa vector: nhiều điểm được đại diện bởi một số ít tâm cụm.
Hãy hình dung việc sắp xếp các món hàng trên kệ theo vị trí gần nhau mà không có sẵn danh mục. K-means làm điều tương tự với dữ liệu số.
Khái niệm chính
- Tâm cụm (Centroid): điểm đại diện cho trung tâm của mỗi cụm
- Khoảng cách: dùng để xác định điểm gần tâm cụm nào, thường là khoảng cách Euclid
- Số cụm (k): phải chọn trước khi chạy thuật toán
Các bước hoạt động
- Chọn (k): quyết định số cụm và đặt các tâm cụm ban đầu
- Gán cụm: đưa mỗi điểm vào tâm cụm gần nhất
- Cập nhật tâm cụm: tính trung bình các điểm trong cụm để đặt tâm mới
- Lặp lại: quay lại bước gán cho đến khi tâm cụm gần như không đổi
Công thức tâm cụm
Với cụm (C) có (|C|) điểm, tâm cụm mới là trung bình:
[ \mu = \frac{1}{|C|}\sum_{x \in C} x ]
Chọn số k như thế nào
Số cụm ảnh hưởng trực tiếp đến chất lượng:
- (k) quá nhỏ: gộp những nhóm khác nhau vào một cụm
- (k) quá lớn: cụm bị chia vụn, khó thấy bức tranh tổng thể
Cách phổ biến là thử nhiều giá trị rồi quan sát mức cải thiện khi tăng (k), chọn điểm mà lợi ích bắt đầu chững lại.
Bảng tổng hợp
| Khía cạnh | Nội dung |
|---|---|
| Loại học | Không giám sát |
| Đầu vào cần có | Số cụm (k) |
| Tiêu chí gán | Khoảng cách đến tâm cụm |
| Điều kiện dừng | Tâm cụm không đổi hoặc đổi rất ít |
Ứng dụng
- Phân khúc khách hàng: nhóm theo hành vi và mức chi tiêu
- Thị giác máy tính: chia vùng ảnh theo mức độ giống nhau
- Văn bản: phân cụm bài viết dùng embedding
- Tiếp thị: chia nhóm đối tượng để tùy chỉnh nội dung
- Khảo sát dữ liệu: tìm cấu trúc ban đầu trước khi xây mô hình
Ưu điểm và hạn chế
Ưu điểm
- Dễ hiểu và dễ triển khai
- Tính toán nhanh so với các phương pháp phân cụm phức tạp hơn
- Mở rộng tốt với dữ liệu lớn
Hạn chế
- Phải chọn (k) trước
- Kết quả có thể thay đổi theo tâm cụm khởi tạo, nên thường chạy nhiều lần
- Giả định cụm dạng tròn và kích thước gần giống nhau
- Điểm ngoại lai có thể kéo tâm cụm lệch và liên quan đến quá khớp nếu chọn không hợp lý
FAQ
K-means thuộc loại học nào?
Học không giám sát, vì không cần nhãn đáp án để phân cụm.
Có phải biết trước số cụm không?
Có, cần chọn (k) trước. Nếu chưa chắc, hãy thử nhiều giá trị và so sánh.
Tâm cụm là gì?
Là điểm trung bình đại diện cho mỗi cụm, dùng để quyết định điểm dữ liệu thuộc cụm nào.
K-means dừng khi nào?
Khi tâm cụm không còn dịch chuyển hoặc việc gán điểm không đổi, nghĩa là kết quả đã ổn định.
K-means hợp với mọi dữ liệu không?
Không hẳn. Nó phù hợp khi cụm khá tròn và kích thước tương đồng; dữ liệu có dạng kỳ lạ hoặc nhiều ngoại lai cần phương pháp khác.
Tóm tắt
- K-means chia dữ liệu thành (k) cụm mà không cần nhãn
- Dùng tâm cụm và khoảng cách để gán điểm
- Lặp lại giữa gán cụm và cập nhật tâm cho đến khi ổn định
- Cần chọn (k) cẩn thận
- Dùng trong phân khúc khách hàng, văn bản, hình ảnh và khảo sát dữ liệu
- Hạn chế ở dạng cụm và điểm ngoại lai
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free