Mean-Shift Clustering: A Comprehensive Guide

Bài viết giới thiệu Mean-Shift là một thuật toán clustering không tham số dựa trên ước lượng mật độ kernel, thường dùng trong xử lý hình ảnh và visão máy tính. Nguyên nhân kỹ thuật được giải thích là mỗi lần lặp di chuyển trung tâm cửa sổ theo gradient của hàm mật độ noyau Gaussian, với độ rộng băng thông (bandwidth) h quyết định kích thước vùng tìm kiếm và trực tiếp ảnh hưởng đến số cụm phát hiện. Do thuật toán cần tính khoảng cách giữa mọi cặp điểm trong mỗi vòng lặp, độ phức tạp thời gian là O(T·n²) (n là số mẫu, T là số lần lặp), khiến việc áp dụng trên tập dữ liệu lớn trở thành thách thức nếu không sử dụng cấu trúc chỉ mục như KD-tree hoặc lattice. Bài cũng chỉ ra hệ quả khi chọn h quá nhỏ dẫn đến quá nhiều cụm nhỏ và nhiễu, trong khi h quá lớn khiến các cụm khác nhau bị hợp nhất, mất đi khả năng mô hình dạng không lồi. Điều đáng học là nên thực hiện quy trình chọn bandwidth qua quy tắc Silverman hoặc kiểm tra qua cross-validation, và cân nhắc sử dụng phiên bản tối ưu (fast mean-shift) để giảm chi phí tính toán khi làm việc với dữ liệu có hàng nghìn điểm trở lên.