Nếu bạn đang có ý định trở nên một Data Scientist (nhà khoa học dữ liệu) thì ngày nay đang là 1 thời điểm không hề tồi chút nào. Những con người kể cả khó tính nhất cũng sẽ đổ dồn sự Chú ý khi bạn đề cập tới Big Data trong cuộc đối thoại, đám đông sẽ cảm thấy nao nức khi được nghe bạn chém gió về Trí tuệ nhân tạo cũng như Học máy. Thậm chí những con số do Google cung cấp tại đây còn cho thấy: toàn bộ vẫn chưa có dấu hiệu dừng lại, chúng vẫn tiếp phát triển với tốc độ rất nhanh. ngày càng có rất nhiều các giải thuật ‘thông minh’ đã được phát minh ra để viện trợ các nhà khoa học dữ liệu. tuốt luốt chúng nhìn chung đều có vẻ rất phức tạp, nhưng nếu chúng ta hiểu được và biết cách kết hợp một cách nhuần nhuyễn thì mọi việc sẽ trở thành dễ dàng hơn rất nhiều.
Các khóa học về khai phá dữ liệu (Data Mining) hoặc học máy (Machine Learning) vẫn thường khai mạc bằng những thí dụ về phân cụm, lí do đơn giản bởi vì chúng rất thực tế và không quá khó hiểu. Bài toán phân cụm là 1 nhánh ứng dụng chính của lĩnh vực Unsupervised Learning (Học không giám sát), trong đó dữ liệu được trình diễn.# trong bài toán không được dán nhãn (tức là không có đầu ra). Trong trường hợp này, thuật toán sẽ tìm cách phân cụm – chia dữ liệu thành từng nhóm có đặc điểm rưa rứa nhau, nhưng đồng thời đặc tính giữa các nhóm đó lại phải càng dị biệt càng tốt. Dữ liệu của chúng ta có thể là bất cứ thứ gì, chẳng hạn như dữ liệu về khách hàng: Thuật toán phân cụm sẽ rất hữu ích trong việc đánh giá và chia thành các nhóm người dùng khác nhau, rồi từ đó ta có thể đưa ra những chiến lược marketing hạp trên từng nhóm người dùng đó.K-Means Clustering Sau khi dạo qua những màn giới thiệu chung, phần nhiều các khóa học Data Mining sẽ bắt đầu luôn với K-Means: 1 thuật toán tuy đơn giản nhưng lại khá hiệu quả và được sử dụng rộng khắp. Trước khi bắt tay vào làm, chúng ta cần phải xác định sẵn 2 thứ: đó là hàm khoảng cách được dùng (ví dụ như khoảng cách Euclid) và số lượng nhóm mong muốn (ta sẽ kí hiệu trong bài viết này là k )
Mô phỏng quá trình phân cụm K-Means
Thuật toán bắt đầu với việc chọn ra tâm của từng cụm. Chúng ta có thể đơn giản chọn k điểm tình cờ trong bộ, hoặc dùng một số hướng tiếp cận nào khác, nhưng nhìn chung ngẫu nhiên vẫn là cách tốt nhất. Rồi kế tiếp, luân phiên lặp lại 2 thời đoạn sau:tuổi gán : gán từng phần tử trong bộ dữ liệu của chúng ta vào các cụm. Cách thức tiến hành đó là: với mỗi điểm, hãy tính khoảng cách từ điểm đó tới vị trí các tâm, sau rốt: tâm nào gần nhất thì gán vào cụm ứng với cái tâm đógiai đoạn cập nhật : duyệt từng cụm, cập nhật lại tọa độ của tâm: Như đã biết, sau giai đoạn 1, chúng ta đã thu được k cụm ứng với dãy các điểm được gán cho từng cụm. Tọa độ tâm mới của cụm sẽ bằng trung bình cộng tọa độ các điểm trong cụm Sau càng nhiều vòng lặp, các tâm càng chuyển di chậm dần, và tổng khoảng cách từ mỗi điểm trong cụm tới tâm cụm lại càng nhỏ đi. Quá trình sẽ kết thúc cho tới khi hàm tổng khoảng cách tụ hợp (tức là không có sự thay đổi nào xảy ra ở tuổi gán nữa). Lúc này tọa độ tâm vẫn sẽ bằng trung bình cộng các điểm ngày nay trong cụm, hay nói cách khác tâm sẽ không còn chuyển di tiếp nữa. Chú ý thuật toán K-Means chỉ bảo đảm được quá trình này sẽ đưa hàm tổng khoảng cách tụ hợp tới điểm cực tiểu địa phương, chứ không kiên cố đó là giá trị nhỏ nhất của thảy hàm số . Tuy nhiên, điều này là có thể ưng ý được vì KHÔNG phải mô hình nào càng sát với bộ dữ liệu huấn luyện thì cũng sẽ càng tốt. Ta có thể nhận thấy rằng việc chọn lọc tâm lúc khởi điểm cũng có ảnh hưởng tới kết quả chung cục thu được, do đó đã nảy sinh rất nhiều quan điểm trái chiều về vấn đề này. Một ý tưởng đơn giản là cho chạy K-Means nhiều lần với mỗi bộ tâm ngẫu nhiên khác nhau, rồi sau đó chọn ra mô hình tốt nhất ưng chuẩn việc xét giá trị nhỏ nhất của các hàm tổng khoảng cách ứng với chúng. Một hướng tiếp cận khác trong việc chọn tâm ban sơ đó là chọn những điểm “xa nhất”. Việc này có thể cho kết quả tốt hơn, tuy nhiên ta sẽ mắc phải vấn đề với những phần tử “nhiễu”, đó là những phần tử nằm riêng lẻ một mình tách biệt với phần còn lại trong bộ dữ liệu. Do đó chúng sẽ tự lập ra 1 cụm riêng của chính mình. Có một cách giải quyết đã được phát minh để cân bằng song song được cả 2 điều trên, nó có tên gọi là K-Means++ : trong đó, tâm khởi đầu vẫn được chọn ngẫu nhiên, nhưng là chọn lần lượt (thay vì đồng loạt) và kèm theo xác suất tình cờ tỉ lệ thuận với khoảng cách tới lót dạ vừa chọn trước đó . tức thị, các điểm càng nằm phía xa sẽ có khả năng được chọn làm tâm kế tiếp càng lớn. Do đó, nếu có 1 nhóm các điểm, khả năng chỉ 1 điểm từ nhóm đó được chọn làm tâm cũng sẽ cao hơn. K-Means++ cũng đang được chọn dùng cho bước khởi tạo của thuật toán K-Mean trong thư viện Scikit-learn của Python. Nếu bạn đang lập trình Python, bạn có thể dùng ngay thư viện này. Đối với Java, thư viện Weka sẽ là 1 sự chọn lựa đáng để cân nhắc.Java (Weka) // Load some data Instances data = DataSource.read("data.arff"); // Create the model SimpleKMeans kMeans = new SimpleKMeans(); // We want three clusters kMeans.setNumClusters(3); // Run K-Means kMeans.buildClusterer(data); // Print the centroids Instances centroids = kMeans.getClusterCentroids(); for (Instance centroid: centroids) System.out.println(centroid); // Print cluster membership for each instance for (Instance point: data) System.out.println(point + " is in cluster " + kMeans.clusterInstance(point)); // Load some dataInstances data = DataSource . read ( "data.arff" ) ; // Create the modelSimpleKMeans kMeans = new SimpleKMeans ( ) ; // We want three clusterskMeans . setNumClusters ( 3 ) ; // Run K-MeanskMeans . buildClusterer ( data ) ; // Print the centroidsInstances centroids = kMeans . getClusterCentroids ( ) ;for ( Instance centroid : centroids ) System . out . println ( centroid ) ; // Print cluster membership for each instancefor ( Instance point : data ) System . out . println ( point + " is in cluster " + kMeans . clusterInstance ( point ) ) ; Python (Scikit-learn) >>> from sklearn import cluster, datasets >>> iris = datasets.load_iris() >>> X_iris = iris.data >>> y_iris = iris.target >>> k_means = cluster.KMeans(n_clusters=3) >>> k_means.fit(X_iris) KMeans(copy_x=True, init='k-means++', ... >>> print(k_means.labels_[::10]) [1 1 1 1 1 0 0 0 0 0 2 2 2 2 2] >>> print(y_iris[::10]) [0 0 0 0 0 1 1 1 1 1 2 2 2 2 2] >>> from sklearn import cluster , datasets>>> iris = datasets . load_iris ( )>>> X_iris = iris . data>>> y_iris = iris . target >>> k_means = cluster . KMeans ( n_clusters = 3 )>>> k_means . fit ( X_iris )KMeans ( copy_x = True , init = 'k-means++' , . . .>>> print ( k_means . labels_ [ :: 10 ] )[ 1 1 1 1 1 0 0 0 0 0 2 2 2 2 2 ]>>> print ( y_iris [ :: 10 ] )[ 0 0 0 0 0 1 1 1 1 1 2 2 2 2 2 ] Ở trong thí dụ Python phía trên, ta dùng bộ dữ liệu Iris chứa kích tấc đài hoa và cánh hoa cho 3 giống hoa Iris khác nhau, chia những dữ liệu này thành 3 cụm, rồi sau đó so sánh với giá trị thực tiễn của chúng, để soát độ xác thực của thuật toán. Trong trường hợp này, chúng ta thấy rằng dữ liệu được tách thành 3 cụm (ứng với 3 giống hoa) khác nhau và K-Means đã nhận ra xác thực những phần tử nào cùng nằm chung 1 cụm ( Chú ý rằng Unsupervised Learning là bài toán không có nhãn nên chỉ số k bằng (0, 1, 2) ở trên chỉ là tình cờ, có tác dụng phân biệt chứ không phải là nhãn đầu ra ). Tuy nhiên, làm cách nào mà ta chọn ra được số cụm (k) ăn nhập? Câu hỏi rưa rứa như vậy thường rất phổ quát trong Học máy. Nếu chúng ta yêu cầu nhiều cụm hơn, dữ liệu sẽ được chia nhỏ ra, và giá trị error (tổng khoảng cách) cũng sẽ nhỏ hơn. Vậy, như thế có phải sẽ là tốt hơn nếu ta chọn k lớn nhất có thể? Chúng ta có thể chọn k = m (số điểm), như thế mỗi điểm sẽ trở thành tâm của chính nó và mỗi cụm sẽ chỉ có 1 điểm? Điều đó không sai, error sẽ bằng 0, nhưng chúng ta sẽ chẳng thể tìm được tả đơn giản cho dữ liệu, và mô hình thu được cũng không thể phủ được những điểm mới thêm vào. Vấn đề này có tên gọi là overfitting , và tất nhiên chúng ta sẽ không mong gặp phải nó. Một cách để giải quyết vấn đề này là bổ sung thêm hàm phạt (penalty) cho số lượng cụm. Từ đó, đích của ta lúc này không chỉ còn giảm thiểu error, mà phải thăng bằng cả error + penalty . Giá trị error sẽ tiến dần tới 0 khi chúng ta tăng số lượng cụm, nhưng song song penalty cũng tăng theo. Quá trình tăng số lượng cụm sẽ dừng lại khi mà lượng error giảm đi thấp hơn so với giá trị penalty, và kết quả thu được là kết quả tối ưu. Có một giải pháp dùng Bayesian Information Criterion (BIC) để tính k có tên gọi là X-Means [Pelleg and Moore, 2000]. Một thứ khác chúng ta cần quan hoài đó là hàm khoảng cách. Hiển nhiên, với những điểm nằm trong không gian, khoảng cách Euclid rõ ràng là hiệu quả nhất, nhưng thỉnh thoảng ta cần thêm vài “mánh khóe” cho những loại dữ liệu đặc trưng khác nhau, thí dụ như các giá trị rời rạc,… Việc này đề nghị khá nhiều kiến thức chuyên ngành liên hệ tới dữ liệu đó. Hoặc, chúng ta có thể nhờ tới sự viện trợ của Học máy để huấn luyện ra hàm khoảng cách hạp nhất. Nếu bạn có 1 tập các dữ liệu huấn luyện (đã biết trước chúng được phân cụm thế nào qua nhãn của chúng), kĩ thuật Supervised Learning (học có giám sát) có thể được vận dụng để tìm ra hàm khoảng cách ăn nhập, rồi vận dụng nó vào trong dữ liệu cần phân cụm. Ngoài ra, có 1 thuật toán phân cụm khác có tên là Expectation-Maximization (EM) cũng gần na ná với 2 giai đoạn được dùng trong K-Means. Nói chuẩn xác thì K-Means có thể coi là 1 phiên bản đơn giản hơn của EM. Tuy nhiên, đừng nhầm lẫn chúng với nhau mặc dầu có rất nhiều điểm chung giữa 2 thuật toán này.EM Clustering Như vậy, với K-Means: mỗi điểm sẽ được gán cho 1 nhóm và mỗi nhóm được đại diện bởi 1 tâm. Điều này không quá phức tạp, vì chúng ta chưa gặp phải vấn đề cụm chồng chéo, hoặc những cụm có hình dáng khác hình tròn. Với EM , ta hiện giờ có thể tiến một bước xa hơn nữa và đặc tả mỗi cụm bằng tâm của nó (kì vọng), covariance (hiệp phương sai – qua đó ta có thể trình diễn được cụm hình elip) và weight (kích thước của cụm). Xác suất mà 1 điểm thuộc về 1 cụm bây chừ được tính bằng xác suất phân phối Gauss đa biến.
Chúng ta sẽ bắt đầu EM bằng cách tính, với mỗi điểm, xác suất mà nó thuộc về từng cụm là bao nhiêu (hẳn nhiên, các cụm ban sơ cũng được khởi tạo ngẫu nhiên). Đây là bước E-step. Nếu 1 cụm là “ứng viên” tốt đối với 1 điểm, nó sẽ có xác suất gần với 1. Tuy nhiên, có xảy ra trường hợp 2 hay nhiều cụm cùng là ứng viên tốt, do đó điểm của chúng ta lúc này sẽ có phân phối xác suất giữa các cụm. Tính chất này của thuật toán được gọi là “soft clustering”. Bước M-step bây chừ tính lại các tham số của mỗi cụm, bằng cách dùng kết quả xác suất của các điểm được tính ở bước E-step. Để tính tâm mới, covariance mới và weight mới của 1 cụm, mỗi dữ liệu điểm sẽ được đánh trọng số tỉ lệ thuận với xác suất biến cố “điểm đó thuộc cụm” (lấy từ E-step). Luân phiên 2 bước này sẽ làm tăng giá trị log-likelihood của hàm xác suất cho tới khi giá trị này tập kết tới cực đại. Nói thêm, rưa rứa với K-Means, thuật toán EM chỉ cho ta giá trị cực đại địa phương, nên chi ta có thể sẽ cần phải thực hiện thuật toán nhiều lần để tìm được mô hình tốt hơn nữa. Nếu ta muốn đưa ra quyết định 1 điểm bất kỳ thuộc cụm nào, đơn giản chỉ cần chọn cụm cho ta giá trị xác suất cao nhất ứng với điểm đó. Và ta cũng có thể hoàn toàn tái tạo lại được 1 mẫu rưa rứa như dữ liệu ban đầu từ mô hình dựa vào dãy các xác suất thu được.
