Il Fuzzy C-Means è un algoritmo di clustering di tipo particolare perché consente di suddividere dati in gruppi (cluster) ammettendo che ogni dato possa appartenere contemporaneamente a cluster diversi. Si tratta di un algoritmo che consente di essere applicato in modo abbastanza semplice, senza vincolare l’utente all’impostazione di un elevato numero di parametri. In particolare, il funzionamento del Fuzzy C-Means è legato a un parametro che incide sul modo in cui l’algoritmo distribuisce i dati tra i cluster. È il parametro di fuzzificazione. Nella pratica, viene usato per regolare quanto le appartenenze risultino nette o sfumate. Se il parametro porta a una minore sfumatura, i dati tendono a essere associati in modo più deciso a un cluster; se invece aumenta il grado di sfumatura, l’appartenenza può risultare più distribuita. Il punto affrontato dallo studio è che questo parametro non va considerato soltanto come una manopola tecnica. La sua scelta introduce anche un’ipotesi sul modo in cui i dati sono disposti nello spazio rispetto ai prototipi dei cluster.
Il Fuzzy C-Means di fatto mira all’identificazione di prototipi, cioè punti nello spazio attorno ai quali sia possibile raggruppare significativamente i dati definendo così i cluster. Il parametro di fuzzificazione interviene nel calcolo dei gradi di appartenenza, ossia contribuisce a stabilire quanto un dato possa essere distribuito tra più cluster. Di solito questo parametro viene fissato prima di applicare l’algoritmo. In molti casi, quindi, entra nel modello come una scelta preliminare, fatta sulla base di convenzioni o di impostazioni operative. Lo studio mostra però che questa scelta non è neutra. Stabilire un certo valore per questo parametro significa anche fare assunzioni sulla concentrazione o sulla dispersione dei dati intorno ai prototipi. Questo tipo di conclusione si colloca nel contesto di uno studio più ampio, orientato a fornire in modo originale una lettura probabilistica del Fuzzy C-Means, dimostrata formalmente sotto certe assunzioni.
Nel modello considerato, si può dimostrare che i risultati del Fuzzy C-Means coincidono con la probabilità a posteriori di appartenenza a un cluster una volta osservato il dato, e che tale probabilità dipende anche dalla distanza del dato dal prototipo del cluster. In altri termini, il modo in cui i punti si distribuiscono attorno ai prototipi non è un dettaglio secondario: entra direttamente nella costruzione teorica che permette di interpretare i valori prodotti dall’algoritmo. Il parametro di fuzzificazione risulta collegato a questa distribuzione. Non regola soltanto l’aspetto finale del clustering, ma corrisponde a un’ipotesi sul modo in cui la probabilità cambia quando ci si allontana dal prototipo.
La relazione può essere descritta senza entrare nelle formule. Se i dati sono concentrati vicino al prototipo, la probabilità di trovarli a distanze maggiori diminuisce più rapidamente. Se invece i dati sono più dispersi, la diminuzione di probabilità è meno marcata. Il parametro di fuzzificazione è collegato proprio a questa differenza: contribuisce a descrivere quanto l’appartenenza ai cluster debba risultare concentrata o distribuita. Per questo non dovrebbe essere letto solo come un valore da scegliere per ottenere un certo comportamento dell’algoritmo. È anche un modo implicito di rappresentare la dispersione attesa dei dati.
Questo aspetto ha una conseguenza pratica. Se il parametro viene scelto a priori, senza osservare la distribuzione effettiva dei dati, il modello incorpora un’ipotesi che resta in parte non verificata. Non significa che l’algoritmo non funzioni, ma che una sua componente rilevante viene fissata prima di capire se sia coerente con la struttura dei dati. Lo studio suggerisce quindi di considerare il parametro di fuzzificazione con maggiore attenzione. In prospettiva, potrebbe essere utile derivarlo dall’analisi dei dati, invece di trattarlo come una scelta standard. Si potrebbe anche valutare se cluster diversi richiedano gradi diversi di dispersione. Tutto ciò implica la possibilità di applicare in modo diverso, e più consapevole, un algoritmo ben noto e variamente impiegato in letteratura.
Questa possibilità non viene presentata come una soluzione immediata. Stimare il parametro in modo più articolato può comportare un aumento della complessità del modello e del carico computazionale. Il punto, però, è che la scelta del parametro diventa più trasparente. Non si tratta solo di decidere quanto “fuzzy” debba essere il risultato, ma di esplicitare quale ipotesi si sta facendo sulla disposizione dei dati. In questo senso, il parametro di fuzzificazione non è soltanto un elemento tecnico dell’algoritmo: è una parte del modello che può essere interpretata, discussa e, eventualmente, stimata in modo più informato.
Lo studio richiama anche il confronto con il Soft K-Means, un altro algoritmo che assegna i dati ai cluster in modo non rigido. Il confronto è utile perché mostra che metodi apparentemente simili poggiano in realtà su ipotesi di lavoro diverse e ciò consente una lettura più appropriata e comprensibile dei risultati ottenuti, anche quando risultano differenti fra loro.
Il contributo dello studio, in questo caso, sta nel rendere più leggibile il ruolo di un parametro spesso trattato come una semplice impostazione preliminare. Il parametro di fuzzificazione non serve soltanto a regolare la sfumatura dei cluster. Può essere collegato a un’ipotesi sulla dispersione dei dati intorno ai prototipi e quindi al modo in cui il modello descrive la struttura del dataset. Rendere esplicito questo particolare aspetto del Fuzzy C-Means aiuta a comprendere meglio l’algoritmo e può orientare eventuali sviluppi successivi.
Questo articolo nasce nell’ambito delle attività di Terza Missione promosse da Stroncature in collaborazione con l’Università degli Studi di Bari Aldo Moro, nel quadro delle iniziative di Public Engagement finanziate dal “Bando per Finanziamento di Iniziative di Public Engagement” a valere sul Progetto “Sistema Universitario Pugliese”, finanziato nell’ambito della misura “Patti Territoriali dell’Alta Formazione per le Imprese” (CUP F61B23000370006). Il testo rielabora in forma divulgativa il contributo scientifico “A Bayesian Interpretation of Fuzzy C-Means” di Corrado Mencar e Ciro Castiello, del Dipartimento di Informatica dell’Università degli Studi di Bari Aldo Moro, per renderne i contenuti più fruibili a un pubblico non specialista.
