Clustering: cos’è, come funziona e a cosa serve il raggruppamento dei dati

Immagina di dover mettere ordine in una scatola piena di bottoni di ogni forma e colore, senza che nessuno ti abbia detto in anticipo quali categorie usare. Con ogni probabilità inizieresti a raggrupparli d’istinto: i grandi con i grandi, i rossi con i rossi, quelli a quattro fori tutti insieme. Stai facendo, senza saperlo, esattamente ciò che in informatica si chiama clustering.

Il clustering è una delle tecniche più affascinanti e utili del machine learning, perché permette a un algoritmo di scoprire da solo la struttura nascosta dentro un insieme di dati, senza che nessuno gli abbia insegnato in anticipo le risposte giuste. È il modo in cui un software raggruppa clienti simili, individua transazioni sospette o organizza milioni di documenti in temi coerenti.

In questa guida completa vedrai cos’è il clustering, come funziona nel concreto, quali sono i principali algoritmi che lo rendono possibile e a cosa serve davvero nel mondo reale. Troverai anche i criteri per decidere quanti gruppi cercare, i metodi per valutare i risultati e i limiti da tenere sempre presenti quando lavori con questa tecnica.

Che cos’è il clustering

Il clustering, che in italiano possiamo tradurre con raggruppamento, è una tecnica che consiste nel suddividere un insieme di dati in gruppi, chiamati cluster, in modo che gli elementi dentro lo stesso gruppo siano il più possibile simili tra loro e allo stesso tempo il più possibile diversi dagli elementi degli altri gruppi. L’obiettivo, in poche parole, è far emergere una struttura che nei dati grezzi non è visibile a occhio nudo.

La caratteristica che rende il clustering davvero speciale è che non parte da nessuna etichetta. Nessuno dice all’algoritmo quali sono i gruppi corretti né quanti dovrebbero essere. È l’algoritmo stesso a organizzare i dati basandosi soltanto sulle loro caratteristiche interne, cercando regolarità e affinità che noi, di fronte a migliaia o milioni di elementi, non riusciremmo mai a notare.

Questo lo rende uno strumento di esplorazione, prima ancora che di previsione.

Pensa a un’azienda che possiede i dati di acquisto di centomila clienti. Non ha idea di quali profili si nascondano in quei numeri, ma sospetta che esistano comportamenti ricorrenti. Il clustering è ciò che le permette di scoprire che, per esempio, esistono i clienti occasionali che comprano solo durante i saldi, quelli fedeli che tornano ogni mese e quelli di alto valore che spendono molto ma raramente. Nessuno ha definito queste categorie in partenza: sono emerse dai dati.

Clustering e apprendimento non supervisionato

Per capire fino in fondo il clustering devi collocarlo nel posto giusto all’interno del machine learning. Gli algoritmi che imparano dai dati si dividono tradizionalmente in due grandi famiglie: l’apprendimento supervisionato e l’apprendimento non supervisionato.

Nell’apprendimento supervisionato l’algoritmo viene addestrato su esempi già etichettati. Gli mostri migliaia di email marcate come spam o non spam, e lui impara a distinguerle. C’è sempre una risposta corretta con cui confrontarsi, un maestro che corregge gli errori.

Nell’apprendimento non supervisionato, la famiglia a cui appartiene il clustering, questo maestro non esiste. I dati arrivano nudi, senza etichette, e l’algoritmo deve cavarsela da solo trovando ordine e senso. Non gli viene chiesto di prevedere una risposta nota, ma di descrivere la struttura di ciò che osserva.

È proprio questa autonomia a rendere il clustering tanto potente quanto delicato. Potente perché funziona anche quando non hai dati etichettati, che nel mondo reale sono la stragrande maggioranza. Delicato perché, non avendo una risposta giusta con cui confrontarsi, valutare la qualità del risultato diventa molto meno immediato.

La differenza tra clustering e classificazione

Un equivoco molto comune è confondere il clustering con la classificazione. Sembrano operazioni simili, perché entrambe finiscono per assegnare gli elementi a dei gruppi, ma il meccanismo che le governa è profondamente diverso.

Nella classificazione i gruppi esistono già e sono noti in partenza. Sai che una foto può contenere un cane o un gatto, e addestri un modello a riconoscere a quale delle due categorie appartiene ogni nuova immagine. Algoritmi supervisionati come le Support Vector Machine lavorano esattamente in questo modo, imparando dagli esempi già classificati a tracciare un confine tra le classi.

Nel clustering, al contrario, i gruppi non esistono ancora. Non sai quanti sono né come sono fatti, ed è compito dell’algoritmo inventarli a partire dai dati. La classificazione risponde alla domanda a quale gruppo noto appartiene questo elemento; il clustering risponde alla domanda quali gruppi esistono qui dentro.

Come funziona il clustering: tutto ruota attorno alla similarità

Alla base di ogni algoritmo di clustering c’è un’idea sorprendentemente semplice: la nozione di distanza. Per raggruppare elementi simili, infatti, un computer ha bisogno di un modo preciso per misurare quanto due elementi si assomigliano o si differenziano.

Il primo passo consiste nel rappresentare ogni elemento come un insieme di numeri, chiamati caratteristiche o feature. Un cliente, per esempio, può diventare una serie di valori: quanto spende in media, ogni quanto acquista, da quanti anni è cliente, quanti prodotti diversi compra. Ogni elemento diventa così un punto in uno spazio con tante dimensioni quante sono le caratteristiche.

Una volta che i dati vivono in questo spazio, la similarità diventa una questione geometrica. Due punti vicini rappresentano elementi simili, due punti lontani rappresentano elementi diversi. La misura più intuitiva è la distanza euclidea, cioè la lunghezza della linea retta che congiunge due punti, la stessa che useresti con un righello su un foglio, estesa però a molte dimensioni.

Non è l’unica opzione possibile.

Esistono altri modi di misurare la distanza, come la distanza di Manhattan, che somma gli spostamenti lungo ciascun asse come farebbe un taxi tra gli isolati di una città, o la similarità del coseno, molto usata quando conta la direzione dei dati più della loro grandezza, per esempio nell’analisi dei testi. La scelta della misura di distanza non è un dettaglio tecnico: cambia profondamente il risultato finale, perché definisce cosa significa concretamente essere simili.

C’è poi un accorgimento quasi sempre necessario, la normalizzazione. Se una caratteristica si misura in migliaia, come il reddito, e un’altra in unità, come il numero di acquisti, la prima dominerà completamente il calcolo delle distanze e la seconda diventerà irrilevante. Riportare tutte le caratteristiche su una scala comparabile è un passaggio che spesso decide il successo o il fallimento dell’intero raggruppamento.

I principali algoritmi di clustering

Non esiste un solo modo di fare clustering, ma diverse famiglie di algoritmi, ciascuna con una propria filosofia di fondo su cosa sia un cluster. Conoscere i più importanti ti aiuta a capire quale si adatta meglio al problema che hai davanti, perché nessuno di essi è la scelta giusta in assoluto.

K-means, l’algoritmo più popolare

K-means è di gran lunga l’algoritmo di clustering più conosciuto e utilizzato, grazie alla sua semplicità e alla sua velocità. Il nome deriva dal fatto che devi indicare in anticipo il numero di gruppi che vuoi ottenere, chiamato appunto k, e che ogni gruppo viene rappresentato dalla sua media, cioè dal suo punto centrale detto centroide.

Il funzionamento segue un ciclo elegante e ripetitivo. All’inizio l’algoritmo posiziona k centroidi a caso nello spazio dei dati. Poi assegna ogni punto al centroide più vicino, formando i primi gruppi provvisori. A questo punto ricalcola la posizione di ogni centroide, spostandolo esattamente al centro dei punti che gli sono stati assegnati. E poi ripete: riassegna i punti, sposta i centroidi, riassegna, sposta.

Questo va avanti finché i centroidi smettono di spostarsi in modo significativo. Quando la situazione si stabilizza, l’algoritmo ha trovato la sua soluzione.

K-means è rapido ed efficiente anche su grandi quantità di dati, ma porta con sé alcuni limiti importanti che è bene conoscere. Tende a formare gruppi di forma tondeggiante e di dimensioni simili, quindi fatica quando i cluster reali hanno forme allungate o irregolari. Inoltre il risultato dipende dalla posizione iniziale casuale dei centroidi, e la necessità di stabilire k in anticipo è spesso proprio la parte più difficile del problema.

Il clustering gerarchico

Il clustering gerarchico affronta la questione da un’angolazione completamente diversa, costruendo una vera e propria gerarchia di gruppi annidati l’uno dentro l’altro. Invece di decidere subito quanti cluster vuoi, lascia che sia una struttura ad albero a mostrarti tutte le possibili suddivisioni.

L’approccio più comune è quello agglomerativo, che parte dal basso. All’inizio ogni singolo elemento è un cluster a sé. Poi, passo dopo passo, l’algoritmo unisce i due gruppi più vicini tra loro, riducendo progressivamente il numero totale di cluster, fino a quando tutti gli elementi confluiscono in un unico grande gruppo che contiene ogni cosa.

Il risultato di questo processo si rappresenta con un diagramma ad albero chiamato dendrogramma, che mostra in modo visivo l’ordine e il livello di somiglianza con cui i gruppi si sono fusi. Il vantaggio è notevole: non devi decidere il numero di cluster in partenza, ma puoi sceglierlo dopo, tagliando l’albero all’altezza che preferisci a seconda del livello di dettaglio che ti serve. Lo svantaggio è che diventa pesante da calcolare quando i dati sono molti, perché il numero di confronti cresce rapidamente.

DBSCAN e il clustering basato sulla densità

DBSCAN parte da un’intuizione tanto semplice quanto brillante: un cluster è una zona in cui i punti sono fitti, densi, circondata da regioni in cui i punti sono radi. Invece di ragionare sulle distanze da un centro, ragiona sulla densità locale, cioè su quanti vicini ha ciascun punto entro un certo raggio.

Questa prospettiva porta con sé due vantaggi che gli altri algoritmi non offrono. Il primo è che DBSCAN riesce a individuare cluster di qualunque forma, anche allungati, curvi o intrecciati, situazioni in cui k-means fallisce miseramente. Il secondo è che non hai bisogno di dichiarare in anticipo il numero di gruppi, perché è la densità dei dati a determinarlo.

C’è anche un terzo pregio prezioso.

DBSCAN sa riconoscere il rumore, cioè quei punti isolati che non appartengono ad alcun gruppo, e li tiene da parte come anomalie invece di forzarli dentro un cluster a cui non appartengono. In cambio richiede di impostare con cura due parametri, il raggio di vicinato e il numero minimo di punti per formare una zona densa, e va in difficoltà quando i cluster reali hanno densità molto diverse tra loro.

I modelli a miscela gaussiana

Un’ultima famiglia degna di nota è quella dei modelli a miscela gaussiana. Qui l’idea è che i dati siano generati da un insieme di distribuzioni di probabilità sovrapposte, tipicamente a forma di campana, e che il compito dell’algoritmo sia scoprire quali sono queste distribuzioni e con quale probabilità ogni punto appartiene a ciascuna di esse.

La differenza rispetto a k-means è sottile ma importante. Invece di assegnare ogni punto a un solo gruppo in modo netto, questi modelli forniscono un’assegnazione morbida, cioè una probabilità di appartenenza a ogni cluster. Un punto può risultare per il settanta per cento in un gruppo e per il trenta in un altro, il che riflette molto meglio le situazioni ambigue del mondo reale, dove i confini raramente sono netti.

Quanti gruppi cercare: il problema della scelta di k

Uno dei nodi più spinosi del clustering, soprattutto con algoritmi come k-means, è decidere in quanti gruppi suddividere i dati. Scegliere male questo numero può rendere del tutto inutile l’intera analisi: troppi pochi cluster nascondono differenze reali, troppi ne inventano di artificiali.

Per fortuna esistono metodi che ti aiutano a orientarti, anche se nessuno di essi offre una risposta automatica e definitiva. Restano strumenti di supporto al giudizio, non sostituti del ragionamento.

Il primo, e più celebre, è il metodo del gomito. L’idea è provare il clustering con un numero crescente di gruppi e misurare, per ciascun caso, quanto sono compatti i cluster ottenuti, di solito calcolando la distanza totale dei punti dai rispettivi centri. Man mano che aumenti k questa distanza diminuisce sempre, ma a un certo punto il miglioramento rallenta bruscamente, disegnando sul grafico una curva simile a un braccio piegato. Il punto in cui si forma il gomito suggerisce un buon compromesso tra semplicità e precisione.

Il secondo metodo si basa sul coefficiente di silhouette. Questo indice misura, per ogni punto, quanto è vicino agli elementi del proprio gruppo rispetto a quelli del gruppo più vicino, restituendo un valore compreso tra meno uno e uno. Valori alti indicano che i punti sono ben inseriti nel loro cluster e nettamente separati dagli altri. Calcolando la silhouette media per diversi valori di k puoi individuare la suddivisione che produce i gruppi più coerenti e distinti.

Vale la pena ricordare una cosa importante, però.

Il numero di cluster migliore dal punto di vista matematico non sempre coincide con quello più utile dal punto di vista pratico. A volte la conoscenza del dominio, cioè la comprensione del problema reale, conta più di qualunque indicatore numerico. Un esperto di marketing potrebbe preferire quattro segmenti di clienti chiari e azionabili a sei gruppi statisticamente più puliti ma impossibili da tradurre in una strategia.

Come capire se un clustering è buono

Valutare un raggruppamento è più difficile che valutare un modello supervisionato, proprio perché manca una risposta corretta con cui fare il confronto. Non puoi semplicemente contare quante previsioni sono giuste, perché non esiste un elenco di previsioni giuste da cui partire.

Gli strumenti a disposizione si dividono in due grandi categorie. Da un lato ci sono le misure interne, che valutano la qualità dei cluster usando soltanto i dati stessi, senza riferimenti esterni. Il già citato coefficiente di silhouette ne è l’esempio più diffuso, insieme a indici che premiano i gruppi compatti al loro interno e ben separati tra loro.

Dall’altro lato ci sono le misure esterne, utilizzabili nei rari casi in cui disponi comunque di alcune etichette di riferimento, magari su un piccolo campione. In queste situazioni puoi confrontare i cluster trovati dall’algoritmo con i gruppi reali e misurare quanto coincidono, ottenendo una valutazione più oggettiva.

Al di là dei numeri, resta un criterio insostituibile: l’interpretabilità. Un buon clustering è quello i cui gruppi hanno un senso per chi deve usarli. Se riesci a guardare i cluster e a dare a ciascuno un nome e una descrizione plausibile, allora l’analisi ha davvero prodotto valore. Se invece i gruppi restano insiemi di numeri privi di significato, nessun indice statistico potrà renderli utili.

A cosa serve il clustering: le applicazioni concrete

La forza del clustering sta nella sua straordinaria versatilità. Poiché si limita a cercare struttura nei dati, può essere applicato in campi lontanissimi tra loro, ogni volta che serve trasformare un ammasso confuso di informazioni in gruppi comprensibili.

L’applicazione più celebre è la segmentazione della clientela. Le aziende usano il clustering per dividere i propri clienti in gruppi omogenei per comportamento, abitudini di spesa o preferenze, così da rivolgersi a ciascun segmento con comunicazioni e offerte su misura invece di trattare tutti allo stesso modo. Non a caso questa tecnica lavora spesso a fianco dei sistemi di raccomandazione, che sfruttano la somiglianza tra utenti per suggerire i prodotti giusti alle persone giuste.

Un secondo campo di enorme importanza è il rilevamento delle anomalie. Poiché il clustering raggruppa gli elementi normali in insiemi densi, tutto ciò che resta fuori, isolato e lontano da qualsiasi gruppo, diventa immediatamente sospetto. È un principio sfruttato per individuare frodi con le carte di credito, intrusioni informatiche o guasti nei macchinari industriali, dove l’evento raro è proprio quello che ti interessa scovare.

Il clustering è prezioso anche nel trattamento delle immagini.

Può servire a comprimere una fotografia raggruppando i colori simili e riducendone il numero, oppure a suddividere un’immagine in regioni omogenee, un’operazione fondamentale nella diagnostica medica per isolare un organo o un tessuto. Nel mondo dei testi, allo stesso modo, permette di organizzare automaticamente grandi archivi di documenti in temi coerenti, facendo emergere gli argomenti trattati senza che nessuno li abbia definiti prima.

Le applicazioni non finiscono qui. In biologia il clustering raggruppa geni con comportamenti simili o classifica specie in base a caratteristiche condivise. Nella logistica aiuta a organizzare punti di consegna vicini in zone efficienti. Ovunque ci siano dati e un bisogno di ordine, questa tecnica trova un modo per rendersi utile.

Vantaggi, limiti e insidie del clustering

Come ogni strumento potente, il clustering va usato con consapevolezza, conoscendo tanto i suoi punti di forza quanto le sue trappole. Il vantaggio più evidente è la capacità di lavorare senza dati etichettati, il che lo rende applicabile in una quantità enorme di situazioni reali dove le etichette semplicemente non esistono o costerebbero troppo da ottenere.

A questo si aggiunge il suo valore esplorativo. Il clustering ti permette di guardare dentro i dati e scoprire pattern che non sospettavi, generando ipotesi e intuizioni che poi puoi approfondire con altri metodi. È spesso il primo passo di un’analisi, quello che ti dà una mappa di un territorio ancora sconosciuto.

I limiti, però, sono altrettanto reali e vanno rispettati.

Il primo è la soggettività del risultato. Cambiando algoritmo, misura di distanza o normalizzazione, gli stessi dati possono produrre raggruppamenti molto diversi, e non esiste una verità unica a cui appellarsi per dire quale sia quello giusto. Il secondo è la difficoltà di valutazione, di cui abbiamo già parlato: senza una risposta corretta, giudicare la bontà di un clustering richiede sempre una dose di interpretazione umana.

C’è poi una sfida più tecnica ma molto concreta, spesso chiamata la maledizione della dimensionalità. Quando le caratteristiche sono moltissime, il concetto stesso di distanza tende a perdere significato, perché in spazi ad altissima dimensione tutti i punti finiscono per sembrare ugualmente lontani. In questi casi diventa necessario ridurre prima il numero di dimensioni, con tecniche apposite, altrimenti il clustering rischia di produrre risultati privi di senso.

Infine c’è la sensibilità alla scala e agli elementi anomali. Una sola caratteristica non normalizzata o un pugno di valori estremi possono distorcere completamente i gruppi, motivo per cui la preparazione dei dati, prima ancora della scelta dell’algoritmo, è la fase che più spesso decide il destino di un progetto.

Il clustering nel quadro più ampio dell’intelligenza artificiale

Sarebbe un errore considerare il clustering una tecnica isolata. Nella pratica dialoga di continuo con il resto degli strumenti a disposizione di chi lavora con i dati, e capirne il ruolo dentro l’ecosistema più ampio ti aiuta a usarlo nel momento giusto.

Molto spesso il clustering è un punto di partenza. I gruppi che individua possono diventare a loro volta etichette con cui addestrare un modello supervisionato, trasformando un problema senza risposte note in uno che le ha. In altri casi affianca tecniche diverse dentro pipeline complesse, dove ogni passaggio prepara il terreno al successivo. Se vuoi orientarti tra le diverse opzioni disponibili, la nostra panoramica sugli algoritmi di machine learning ti aiuta a capire quando conviene un approccio non supervisionato come questo e quando invece è preferibile un modello che impara da esempi etichettati.

Vale anche la pena ricordare che, dietro l’apparente semplicità di molti algoritmi di clustering, si nasconde un principio profondo dell’intelligenza artificiale: l’idea che la conoscenza possa emergere dai dati, invece di essere programmata a mano. È lo stesso principio che anima le tecniche più avanzate del settore, dalle reti neurali ai modelli generativi, e che ha reso il machine learning la forza trainante dell’AI degli ultimi anni.

Conclusioni

Il clustering è una delle idee più eleganti del machine learning: dare a una macchina un mucchio disordinato di dati e lasciare che sia lei a trovarci un ordine, scoprendo gruppi e regolarità che nessuno le aveva indicato. È una tecnica di esplorazione prima ancora che di previsione, e proprio per questo si rivela preziosa ogni volta che ti trovi davanti a dati di cui non conosci ancora la struttura.

Come hai visto, dietro la sua apparente semplicità si cela una ricchezza notevole di approcci, da k-means al clustering gerarchico, da DBSCAN ai modelli a miscela gaussiana, ciascuno con la propria visione di cosa significhi raggruppare. La chiave per usarlo bene non sta nel cercare l’algoritmo perfetto, che non esiste, ma nel comprendere i tuoi dati, preparare con cura le caratteristiche e interpretare i risultati con spirito critico.

Se questa guida ti ha incuriosito, il passo successivo è mettere le mani nei dati e sperimentare. Prova ad applicare un semplice k-means a un piccolo insieme di informazioni che conosci bene, osserva i gruppi che emergono e chiediti se hanno senso. È così, provando e ragionando, che il clustering smette di essere una teoria astratta e diventa uno strumento concreto nel tuo bagaglio di competenze sull’intelligenza artificiale.