Định nghĩa

Cụm dựa trên Mô hình (MBC) là một phương pháp trong học máy không giám sát, trong đó các điểm dữ liệu được nhóm thành các cụm dựa trên một mô hình xác suất thay vì các chỉ số dựa trên khoảng cách thuần túy. Thay vì chỉ đơn giản tìm các hàng xóm gần nhất, MBC giả định rằng dữ liệu được tạo ra từ sự pha trộn của các phân phối xác suất cơ bản, trong đó mỗi phân phối đại diện cho một cụm riêng biệt.

Tại sao nó quan trọng

Đối với trí tuệ kinh doanh, MBC cung cấp một cách tiếp cận chặt chẽ về mặt thống kê để phân đoạn các tập dữ liệu phức tạp. Không giống như các phương pháp phân cụm đơn giản có thể tạo ra các ranh giới tùy ý, MBC cung cấp một khuôn khổ xác suất, cho phép các nhà phân tích định lượng khả năng một điểm dữ liệu thuộc về một nhóm cụ thể. Điều này dẫn đến những hiểu biết kinh doanh mạnh mẽ và có cơ sở hơn.

Cách thức hoạt động

Việc triển khai MBC phổ biến nhất là Mô hình Hỗn hợp Gaussian (GMM). GMM giả định rằng các điểm dữ liệu được lấy mẫu từ sự pha trộn của nhiều phân phối Gaussian. Thuật toán lặp đi lặp lại để ước tính các tham số (trung bình, hiệp phương sai và trọng số trộn) của các phân phối này. Sau đó, mỗi điểm dữ liệu được gán cho cụm có phân phối có xác suất cao nhất để tạo ra điểm đó. Mô hình học cấu trúc cơ bản của dữ liệu, chứ không chỉ là sự gần gũi của các điểm.

Các trường hợp sử dụng phổ biến

Phân cụm dựa trên Mô hình có giá trị cao trong nhiều lĩnh vực:

• Phân khúc Khách hàng: Xác định các chân dung khách hàng riêng biệt dựa trên hành vi mua hàng hoặc nhân khẩu học với độ tin cậy thống kê.
• Phát hiện Bất thường: Xác định các điểm ngoại lai không phù hợp với bất kỳ phân phối cụm nào đã học.
• Phân đoạn Hình ảnh: Nhóm các pixel dựa trên các thuộc tính thống kê cơ bản để xác định các đối tượng trong hình ảnh.
• Phân tích Chuỗi Thời gian: Xác định các mẫu hoặc chế độ lặp lại trong dữ liệu tuần tự.

Lợi ích chính

• Gán xác suất: Cung cấp một sự gán mềm (một xác suất) cho mỗi cụm, điều này tinh tế hơn so với sự gán cứng.
• Tính linh hoạt: Có thể mô hình hóa các cụm có hình dạng và kích thước khác nhau, không giống như các phương pháp giả định các cụm hình cầu.
• Khả năng diễn giải: Các tham số đã học (trung bình và hiệp phương sai) cung cấp những hiểu biết trực tiếp, có thể định lượng về bản chất của mỗi cụm.

Thách thức

• Chi phí tính toán: Ước tính các tham số cho các phân phối phức tạp có thể tốn nhiều tài nguyên tính toán, đặc biệt với các tập dữ liệu rất lớn.
• Lựa chọn Mô hình: Việc chọn số lượng cụm ($K$) chính xác đòi hỏi các kỹ thuật lựa chọn mô hình cẩn thận (ví dụ: AIC hoặc BIC), điều này làm tăng độ phức tạp.
• Độ nhạy với Khởi tạo: Giống như nhiều thuật toán lặp, kết quả cuối cùng đôi khi có thể nhạy cảm với các phỏng đoán tham số ban đầu.

Các khái niệm liên quan

• Phân cụm K-Means: Một phương pháp dựa trên khoảng cách giả định các cụm là hình cầu và có kích thước bằng nhau, trái ngược với bản chất xác suất của MBC.
• Phân cụm Dựa trên Mật độ (DBSCAN): Tập trung vào mật độ dữ liệu thay vì khớp với phân phối xác suất.
• Thuật toán Kỳ vọng-Tối đa hóa (EM): Thuật toán lặp cốt lõi thường được sử dụng để khớp các tham số trong GMM và các MBC khác.