ما هو تجميع K-Means؟ مع مثال

يمثل تحليل البيانات الاستكشافي واستخراج الأنماط الكامنة الركيزة الأساسية التي يقوم عليها فرع التعلم غير الخاضع للإشراف (Unsupervised Machine Learning) في حقل الذكاء الاصطناعي والإحصاء الحديث. في ظل الانفجار المعلوماتي المعاصر وتدفق كميات هائلة من البيانات غير المعلمة مسبقاً—أي التي تفتقر إلى تصنيفات مرجعية أو مخرجات مستهدفة سلفاً—تبرز الحاجة الملحة إلى خوارزميات ذكية تمتلك القدرة الذاتية على تفكيك هذه الكتل المعقدة من المشاهدات وإعادة تنظيمها في هياكل ذات دلالة. ومن بين طيف واسع من التقنيات الإحصائية والحسابية المبتكرة عبر العقود، تتربع خوارزمية تجميع K-Means (K-Means Clustering) كواحدة من أكثر الأدوات انتشاراً وأصالة وقوة منهجية في استكشاف الفضاءات المتعددة الأبعاد وتحديد التجمعات المتجانسة بنيوياً.

تستند هذه الخوارزمية في جوهرها إلى فكرة رياضية أنيقة وشديدة الفاعلية: تقسيم فضاء المشاهدات غير المنظم إلى عدد محدد سلفاً من المجموعات المنفصلة (تسمى العناقيد Clusters)، بحيث تتمتع مفردات العنقود الواحد بأعلى قدر ممكن من التشابه الداخلي والتقارب الهندسي، بينما تتباعد العناقيد المختلفة عن بعضها البعض بأقصى مسافة إحصائية ممكنة. لا يقتصر تأثير هذه الخوارزمية على هندسة البيانات والحوسبة السحابية فحسب، بل يمتد بعمق إلى العلوم السلوكية، وعلم النفس الإكلينيكي، والتسويق العصبي، وعلم الوراثة، والتشخيص الطبي، حيث يُعد اكتشاف الأنماط غير المرئية بالعين المجردة خطوة محورية في بناء النماذج التنبؤية وفهم الظواهر المعقدة وتصميم التدخلات الدقيقة.

يقدم هذا المرجع الأكاديمي الشامل دراسة بنيوية وتطبيقية معمقة لخوارزمية تجميع K-Means؛ مستعرضاً جذورها التاريخية وتطورها الرياضي عبر المدارس الإحصائية، ومفككاً آلياتها الحسابية خطوة بخطوة من التهيئة إلى التقارب. كما يتناول بعمق مقاييس المسافات، ومعايير تحديد العدد الأمثل للعناقيد، وتحديات المعالجة المسبقة، مدعوماً بمثال تطبيقي واقعي موسع في حقل قياس الأنماط النفسية والسلوكية، ومقارنة منهجية رصينة مع خوارزميات التجميع المنافسة، واضعاً بين يدي الباحث والممارس دليلاً إجرائياً متكاملاً يستشرف آفاق التجميع في عصر البيانات الضخمة والتعلم العميق.

1. المدخل المفاهيمي لخوارزمية تجميع K-Means ونشأتها التاريخية

1.1 التعريف النظري والاصطلاحي لتجميع K-Means

يُعرف تجميع K-Means اصطلاحياً ورياضياً بأنه طريقة تقسيمية تكرارية (Iterative Partitioning Method) تهدف إلى تجزئة مجموعة بيانات مكونة من n من المشاهدات أو المتجهات الإحصائية إلى عدد k من المجموعات الحصرية وغير المتداخلة، يُطلق على كل منها اسم عنقود (Cluster). يتميز هذا التقسيم بأن كل مشاهدة تنتمي حصراً إلى العنقود الذي يمتلك أقرب متوسط حسابي (الممثل هندسياً بنقطة المركز أو الـ Centroid)، والذي يعمل كنموذج أولي أو ممثل قطبي لهذا العنقود. يندرج هذا الإجراء تحت مظلة التعلم غير الخاضع للإشراف، حيث لا تتلقى الخوارزمية أي تدريب مبني على إجابات صحيحة مسبقة أو متغيرات تابعة مصنفة، بل تقع على عاتقها مسؤولية استنتاج العلاقات الرياضية الداخلية والتشابهات الهندسية من خلال مصفوفة الخصائص والمتغيرات المستقلة المتاحة فقط.

يرمز المقطع Means في اسم الخوارزمية إلى المتوسطات الحسابية لمتجهات الخصائص لجميع النقاط الواقعة ضمن النطاق النفوذي لعنقود معين، وهي النقطة المركزية في الفضاء الإقليدي التي يتم تحديثها دورياً لتكون بمثابة المركز الهندسي الفعلي للمجموعة. وتصنف الخوارزمية القياسية بأنها نظام تجميع حصري أو صلب (Hard Clustering)؛ وهذا يعني أن دالة الانتماء تقبل قيماً ثنائية فقط (0 أو 1)، بحيث تكون النقطة إما منتمية بالكامل إلى العنقود C_j أو غير منتمية إليه بتاتاً، وذلك على النقيض الجذري من خوارزميات التجميع الضبابي أو الغائم (Soft/Fuzzy Clustering) مثل Fuzzy C-Means، التي تمنح كل نقطة توزيعاً احتمالياً يعبر عن درجة انتماء مجزأة عبر جميع العناقيد المتاحة في آن واحد.

إن هذا الطابع الحصري يفرض صرامة هندسية على فضاء المشاهدات، حيث يقسم الخوارزم الفضاء متعدد الأبعاد إلى مناطق نفوذ خطية متجاورة، مما يجعلها أداة نمذجة بارعة في تقليص التباين الإجمالي داخل العناقيد وتعظيم الفروق البينية بين الفئات المتباينة دون الحاجة إلى تدخل بشري توجيهي.

1.2 الجذور التاريخية وتطور الخوارزمية عبر العقود

تعود الإرهاصات الفكرية الأولى لتقنيات التقسيم المعتمدة على المراكز الهندسية إلى منتصف القرن العشرين، وتحديداً من خلال الأعمال الرائدة لعالم الرياضيات البولندي هوغو شتاينهاوس (Hugo Steinhaus) في عام 1956، والذي اقترح مبدأ تقسيم الكيانات الرياضية إلى مجموعات متجانسة بالاعتماد على تقريب المسافات وتقليل الانحرافات المعيارية داخل المجموعات كصيغة بدائية للتجميع التحليلي. وفي سياق مختلف تماماً يتعلق بنظرية الاتصالات ومعالجة الإشارات الرقمية وتعديل تضمين النبضات (Pulse-Code Modulation)، قام العالم ستيوارت لويد (Stuart Lloyd) في عام 1957 في مختبرات بيل (Bell Labs) بصياغة الخوارزمية التقسيمية الكلاسيكية لتكميم الإشارات التناظرية وتحويلها إلى قيم رقمية متقطعة، وهي الورقة التي ظلت متداولة داخلياً وسراً تقنياً حتى نُشرت رسمياً على الملأ في عام 1982 تحت عنوان التقسيم التكميمي للبيانات.

وبشكل مستقل ومتزامن، قدم الباحث إدوارد فورجي (Edward W. Forgy) في عام 1965 منهجية مشابهة تهدف إلى تصنيف وتجميع العينات الإحصائية المتعددة المتغيرات، مما جعل الخوارزمية تُعرف في بعض الأوساط الأكاديمية المبكرة باسم خوارزمية لويد-فورجي (Lloyd-Forgy Algorithm). وفي عام 1967، جاءت المحطة الفارقة في تاريخ الخوارزمية عندما نشر عالم الإحصاء والرياضيات جيمس ماكوين (James MacQueen) ورقته البحثية التأسيسية التي حملت لأول مرة صراحة مصطلح K-Means، مقدماً فيها براهين تقارب الخوارزمية وتطبيقاتها في تحليل التباين المتعدد والتصنيف الإحصائي للمشاهدات الميدانية.

مع تسارع الثورة الرقمية وتطور الحوسبة الإحصائية في أواخر القرن العشرين وبدايات القرن الحادي والعشرين، خضعت الخوارزمية لتحولات هيكلية جذرية. تطورت الخوارزمية من مجرد أسلوب حسابي محدود بالعينات الصغيرة إلى حجر زاوية لا غنى عنه في بيئات تنقيب البيانات الضخمة (Big Data Mining)، حيث تمت ترقيتها عبر خوارزميات تسريع ذكية مثل خوارزمية إلكان (Elkan’s Algorithm) القائمة على المتباينات المثلثية، وخوارزمية K-Means++ للتهيئة المتقدمة، وصولاً إلى نسخ المعالجة الموزعة في منصات الحوسبة السحابية مثل Apache Spark وHadoop.

1.3 فلسفة التنقيب عن الأنماط الكامنة في البيانات غير المصنفة

ترتكز الفلسفة المعرفية والمنهجية للتنقيب عن الأنماط في البيانات غير المصنفة على الانتقال من الوصف الإحصائي السطحي إلى تفكيك الهياكل الكامنة والأنظمة البنيوية الخفية (Latent Structural Frameworks) التي تولد البيانات في العالم الواقعي. في كثير من الظواهر الطبيعية والإنسانية، لا تتوزع المشاهدات عشوائياً في الفضاء متعدد الأبعاد، بل تتجمع في تكتلات تعكس حالات نوعية أو أنماطاً سلوكية مميزة تشترك في خصائص ديناميكية معينة. من هذا المنطلق، لا تقتصر وظيفة خوارزمية K-Means على تجميع النقاط الرياضية، بل تعمل كأداة لاكتشاف “الأنماط الطبيعية” واختزال التعقيد المعرفي عبر تقليل التشتت الإحصائي الداخلي إلى أدنى مستوى ممكن، بالتوازي مع تعظيم التباين والانفصال بين المجموعات المنفصلة.

يمثل هذا النهج جوهر الاستقراء العلمي في العصر الرقمي؛ فبدلاً من فرض فرضيات مسبقة ضيقة ومحاولة اختبارها عبر الانحدار الخطي أو التحليلات الموجهة، تتيح الخوارزمية للبيانات نفسها أن تفصح عن بنيتها الذاتية دون تحيز نظري مسبق. يلعب هذا التجميع دوراً محورياً في صياغة الفرضيات العلمية في مجالات معقدة مثل العلوم السلوكية وعلم النفس العصبي وعلم الاجتماع الحاسوبي؛ حيث يُمكّن الباحثين من اكتشاف تصنيفات فرعية للشخصية، أو بروفايلات سريرية جديدة للاضطرابات النفسية، أو أنماط غير متوقعة في تفاعل الأفراد مع التكنولوجيا والضغوط الحياتية، مما يؤسس لمرحلة جديدة من التحليل التشخيصي والتدخلات المخصصة عالية الكفاءة.

2. الأسس الرياضية والمفاهيم الإحصائية للتجميع

2.1 دالة الهدف والتقليل الأصغري لمجموع مربعات الخطأ (SSE)

تتمحور الصياغة الرياضية الدقيقة لخوارزمية K-Means حول التحسين التوافقي لدالة هدف محددة رياضياً بـ مجموع مربعات الأخطاء داخل العناقيد، والتي تُعرف في الأدبيات الإحصائية باسم Within-Cluster Sum of Squares (WCSS) أو مجموع مربعات الخطأ (Sum of Squared Errors – SSE). تُعبر هذه الدالة رياضياً عن مدى التشتت والانحراف المعياري لنقاط البيانات المحيطة بمركز كل عنقود، وتُكتب الصيغة الرياضية لدالة التكلفة الإجمالية J على النحو التالي:

J = ∑_j=1^k ∑_{xi ∈ Sj} || x_i – μ_j ||²

حيث يمثل k العدد الكلي للعناقيد، ويمثل S_j مجموعة النقاط المسندة إلى العنقود رقم j، بينما يشير x_i إلى متجه الخصائص للمشاهدة الإحصائية الفردية ذات الأبعاد المتعددة، ويمثل μ_j متجه المركز الهندسي (Centroid) للعنقود S_j، ويعبر الرمز || · || عن المعيار الإقليدي (L2 Norm) الذي يقيس المسافة الهندسية المستقيمة في الفضاء الإقليدي.

من المنظور الحسابي والرياضي، تُعد عملية التقليل الأصغري لدالة التكلفة J مسألة تحسين غير محدبة (Non-convex Optimization Problem) ومعقدة للغاية؛ حيث ينطوي فضاء البحث على عدد هائل وفلكي من التقسيمات الممكنة للنقاط على العناقيد، وهو ما يُعرف بأنه مشكلة صلبة غير حتمية ذات تعقيد زمني أسي (NP-Hard Problem) حتى في الفضاءات ثنائية الأبعاد عند الرغبة في إيجاد الحل الشامل الأمثل عالمياً (Global Optimum). ولتجاوز هذه الاستحالة الحسابية في مجموعات البيانات الكبيرة، تعتمد الخوارزمية على أسلوب الاستكشاف التقريبي والحدسي (Heuristic Approach) عبر التكرار الموجه الذي يضمن الوصول السريع إلى حل محلي أدنى (Local Minimum) يفي بالأغراض التطبيقية بكفاءة استثنائية.

2.2 المراكز الهندسية (Centroids) وحساب المتوسطات المتجهة

يُعد المركز الهندسي أو الـ Centroid هو القلب النابض الذي يحدد هوية وموقع كل عنقود في الفضاء متعدد الأبعاد. لا يُشترط في المركز الهندسي أن يكون نقطة حقيقية أو مشاهدة فعلية مسجلة في مجموعة البيانات الأصلية، بل هو كيان رياضي تخليقي يمثل المتوسط الحسابي الموجه لجميع متجهات المشاهدات التي تم إسقاطها داخل نطاق ذلك العنقود في تكرار معين. يتم حساب الإحداثي الرياضي للمركز μ_j ذي الأبعاد d وفق المعادلة الاتجاهية:

μ_j = (1 / |S_j|) ∑_{xi ∈ Sj} x_i

حيث يمثل |S_j| عدد النقاط المنتمية للعنقود j في تلك الدورة الحسابية. يمتلك هذا الحساب خاصية إحصائية بالغة الحساسية؛ فالإحداثيات المركزية تمثل نقطة التوازن الفيزيائي والرياضي للمجموعة، مما يجعل موقع المركز يتأثر فوراً وبشدة بإضافة أو حذف أو تحريك أي نقطة بيانية واحدة داخل العنقود.

هنا يجب التمييز الدقيق بين مفهوم المركز المتوسط (Mean Centroid) المستخدم في K-Means ومفهوم المركز الوسيط الفعلي (Medoid) المستخدم في خوارزميات أخرى مثل K-Medoids (PAM). في حين أن المتوسط هو نقطة افتراضية ناتجة عن عمليات الجمع والقسمة الرياضية (مما يجعله عرضة للانجذاب الشديد نحو القيم الشاذة والمتطرفة Outliers)، فإن المركز الوسيط هو دائماً نقطة بيانات حقيقية موجودة أصلاً في العينة تقع في موقع وسيط هندسياً وتقلل المسافات الإجمالية، مما يجعلها أكثر مناعة ضد التشويه الإحصائي ولكن بتكلفة حسابية أعلى بكثير.

2.3 فضاء المتغيرات وتأثير الأبعاد المتعددة (Curse of Dimensionality)

تعمل خوارزمية K-Means افتراضياً داخل فضاء هندسي إقليدي متصل، وتفترض مسبقاً أن هذا الفضاء يتمتع بخصائص متجانسة تسمح للمسافات بالعمل كمؤشر حقيقي على التشابه الدلالي بين المشاهدات. ومع ذلك، عندما يتسع فضاء المتغيرات ليشمل عشرات أو مئات الخصائص والمقاييس—وهو ما يُعرف في الأدبيات الرياضية بـ لعنة الأبعاد (Curse of Dimensionality)—تطرأ تغيرات هندسية راديكالية تؤثر سلباً على كفاءة الخوارزمية وموثوقيتها.

في الفضاءات ذات الأبعاد الفائقة، تتسع أحجام الفضاء الهندسي بشكل أسي مقارنة بعدد نقاط البيانات المتاحة، وتصبح جميع النقاط البيانية معزولة ومتباعدة عن بعضها البعض بمسافات إقليدية تكاد تكون متساوية تماماً. تفقد المسافة الإقليدية قدرتها على التمييز بين النقاط المتقاربة والنقاط المتباعدة، حيث تقترب النسبة بين المسافة إلى أقرب جار والمسافة إلى أبعد جار من القيمة 1 مع زيادة عدد الأبعاد، مما يؤدي إلى انهيار المفهوم التقليدي للعناقيد وتشكيل حدود مصطنعة غير معبرة عن التجانس الحقيقي للظاهرة المدروسة.

لمواجهة هذا التحدي البنيوي، يُنصح بشدة في الممارسات الإحصائية المتقدمة بعدم تشغيل خوارزمية K-Means مباشرة على فضاءات ضخمة الأبعاد دون اللجوء المسبق إلى استراتيجيات خفض الأبعاد وتقليل التباين غير المفيد. تُستخدم تقنيات التخفيض الخطي مثل تحليل المكونات الرئيسية (PCA) لاختزال مئات المتغيرات المترابطة إلى عدد محدود من المكونات المتعامدة التي تحتفظ بأكبر قدر من التباين الإحصائي، أو تقنيات التخفيض غير الخطي مثل المشفرات التلقائية العميقة (Autoencoders) وt-SNE، لتهيئة الفضاء الإقليدي وجعله قابلاً للاستكشاف العنقودي الدقيق.

3. دورة عمل خوارزمية K-Means وخطواتها الإجرائية بالتفصيل

3.1 المرحلة الأولى: التهيئة المبدئية واختيار المراكز الأولية

تبدأ الدورة الإجرائية لخوارزمية K-Means بتحديد العدد الإجمالي للعناقيد المستهدفة k مسبقاً، تليها خطوة حاسمة تتمثل في تعيين المواقع البدائية للمراكز الهندسية الافتراضية في فضاء المشاهدات. في الطريقة الكلاسيكية البسيطة المنسوبة إلى فورجي، يتم اختيار k من المشاهدات عشوائياً من بين بيانات العينة لتكون هي المراكز الأولية. وعلى الرغم من بساطة هذا الإجراء وسرعته، فإنه يعاني من هشاشة إحصائية شديدة؛ فالتهيئة العشوائية تجعل الخوارزمية شديدة الحساسية لنقاط الانطلاق الأولية، مما قد يؤدي في كثير من الأحيان إلى الوقوع في مصيدة الحلول المحلية المتواضعة (Local Minima) أو إنتاج عناقيد فارغة لا تحتوي على أي مشاهدات، وبالتالي الحصول على تجميع ضعيف الجودة يختلف جذرياً من تشغيل لآخر على نفس البيانات.

لتجاوز هذا القصور المنهجي الكبير، طور الباحثان ديفيد آرثر وسيرجي فاسيليفيتسكي في عام 2007 خوارزمية التهيئة الذكية المسماة K-Means++. تعمل هذه المنهجية المبتكرة وفق بروتوكول احتمالي دقيق يضمن تباعد المراكز الأولية هندسياً عن بعضها البعض بأقصى قدر ممكن:

• الخطوة الأولى: يتم اختيار المركز الأول μ₁ عشوائياً وباحتمالية متساوية تماماً من بين جميع نقاط البيانات المتاحة في المجموعة.
• الخطوة الثانية: بالنسبة لكل نقطة بيانات متبقية x في الفضاء، يتم حساب المسافة الإقليدية المربعة D(x) بينها وبين أقرب مركز تم اختياره مسبقاً.
• الخطوة الثالثة: يتم اختيار المركز التالي μ_next من نقاط البيانات المتبقية باستخدام توزيع احتمالي مرجح يتناسب طردياً مع مربع المسافة، أي باحتمالية رياضية تساوي P(x) = D(x)² / ∑ D(x’)².
• الخطوة الرابعة: تُكرر الخطوتان الثانية والثالثة بشكل تتابعي وتراكمي حتى يتم استكمال اختيار كافة المراكز الأولية المطلوبة وعددها k.

تضمن هذه الآلية الذكية تقليل احتمالية اختيار مراكز متجاورة أو متطابقة، مما يؤدي إلى تسريع هائل في معدل التقارب الحسابي اللاحق، ويخفض الخطأ الكلي للحل النهائي بنسب رياضية مبرهنة إحصائياً تقترب من الدرجة المثلى.

3.2 المرحلة الثانية: خطوة التعيين وحساب درجات الانتماء

بمجرد تثبيت إحداثيات المراكز الهندسية (سواء في البداية الأولية أو بعد كل تحديث دوري)، تدخل الخوارزمية في المرحلة الثانية المعروفة بخطوة التعيين أو الإسناد (Assignment Step). في هذه الخطوة، يتم مسح كافة المشاهدات الإحصائية x_i (حيث i = 1, 2, …, n) في مجموعة البيانات، وتُحسب المسافة الإقليدية بين كل مشاهدة وكل مركز من المراكز الهندسية المتاحة μ_j (حيث j = 1, 2, …, k).

تسند كل نقطة بيانات حصراً ودون أي غموض إلى المركز الهندسي الأقرب إليها جغرافياً في الفضاء، وذلك وفق القاعدة المنطقية الصارمة:

C(i) = argmin_j || x_i – μ_j ||²

تؤدي هذه الخطوة على المستوى الهندسي إلى تشكيل ما يُعرف في الهندسة الحسابية بـ مخططات فورونوي (Voronoi Diagrams) أو خلايا فورونوي المتجاورة في الفضاء متعدد الأبعاد. تُقسم مساحة الفضاء بالكامل بواسطة مستويات فاصلة خطية منصفة للمسافات بين المراكز، بحيث تصبح كل خلية فورونوي تمثل منطقة النفوذ الحصرية للمركز الهندسي الواقع في قلبها، وتعد جميع النقاط التي تقع داخل حدود هذه الخلية جزءاً لا يتجزأ من ذلك العنقود لتلك الدورة الحسابية.

3.3 المرحلة الثالثة: خطوة التحديث وتحديث مواقع المراكز

بعد اكتمال عملية التعيين الشاملة لجميع نقاط البيانات في الفضاء وتوزيعها على العناقيد المختلفة، تبدأ المرحلة الثالثة المتمثلة في خطوة التحديث (Update Step). في هذه المرحلة، يتم إيقاف صلاحية المواقع القديمة للمراكز الهندسية، ويُعاد حساب المتجه المركزي لكل عنقود على حدة بالاعتماد حصراً على الخصائص الإحصائية للنقاط الجديدة التي انضمت إليه في خطوة التعيين السابقة.

يتم تحريك المركز الهندسي μ_j نحو نقطة الثقل الفيزيائي والرياضي الجديدة للمجموعة، والتي تساوي المتوسط الحسابي لمتجهات الإحداثيات لجميع العناصر المكونة للعنقود في تلك اللحظة. ترصد الخوارزمية بدقة متناهية مقدار الإزاحة المكانية أو متجه التغير (Displacement Vector) الذي طرأ على كل مركز هندسي بين التكرار الحالي t والتكرار السابق t – 1، وذلك لتقييم مدى استقرار النظام واستجابته للتحسين التدريجي لدالة التكلفة الإجمالية.

3.4 المرحلة الرابعة: شروط التقارب والتوقف الحسابي

تستمر الخوارزمية في التنقل التبادلي التكراري المستمر بين المرحلتين الثانية والثالثة (خطوة التعيين ثم خطوة التحديث، يعقبها تعيين جديد ثم تحديث جديد)، حيث تتغير مواقع المراكز ويعاد توزيع بعض النقاط الطرفية التي تغير قربها النسبي من مركز إلى آخر. تتوقف هذه الدورة الحسابية وتعلن الخوارزمية وصولها إلى حالة الاستقرار والتقارب النهائي (Convergence) عند تحقق أحد الشروط المعيارية الثلاثة التالية:

1. ثبات المراكز الهندسية (Centroid Stability): أن يصبح مقدار الإزاحة أو التحرك في مواقع جميع المراكز بين دورتين متتاليتين أقل من قيمة عتبة صغرى محددة مسبقاً تُعرف باسم نسبة التسامح الإحصائي (Tolerance ε، مثل 10^-4)، مما يشير إلى أن المراكز استقرت رياضياً في مواقعها المثلى محلياً.
2. استقرار تعيينات النقاط (Zero Reassignments): ألا تنتقل أي نقطة بيانات واحدة من عنقودها الحالي إلى عنقود آخر خلال خطوة التعيين، مما يعني أن حدود خلايا فورونوي أصبحت ثابتة ومستقرة تماماً ولا مجال لتغيير البنية العنقودية.
3. بلوغ الحد الأقصى للتكرارات (Max Iterations): الوصول إلى السقف الأعلى المحدد سلفاً لعدد الدورات الحسابية (مثل 300 أو 500 تكرار)، وهو شرط أمان حوسبي يُستخدم لمنع الاستمرار اللانهائي في الحالات النادرة التي قد تشهد تذبذباً دورانياً لبعض النقاط بين حدين حرجين دون حسم رياضي كامل.

4. مقاييس المسافة والتشابه في خوارزمية K-Means

4.1 المسافة الإقليدية (Euclidean Distance) ودورها القياسي

تمثل المسافة الإقليدية (Euclidean Distance) المعيار الرياضي الافتراضي والأساسي الذي بُنيت عليه النسخة الكلاسيكية لخوارزمية K-Means. تُحسب المسافة الإقليدية المستقيمة بين متجهين بيانيين p و q في فضاء نوني الأبعاد عبر الجذر التربيعي لمجموع الفروق المربعة بين إحداثياتهما المتناظرة، وفق الصيغة:

d(p, q) = √( ∑_i=1^d (p_i – q_i)² )

ينبع هذا الاعتماد الجوهري على المسافة الإقليدية من الترابط الرياضي الوثيق بينها وبين حساب المتوسط الحسابي؛ فالنقطة التي تقلل مجموع مربعات المسافات الإقليدية لمجموعة من النقاط هي بالضرورة الرياضية المتوسط الحسابي الدقيق لتلك النقاط. هذا التوافق الرياضي الفريد يضمن تناقص دالة الهدف WCSS بشكل رتيب في كل خطوة تحديث وتعيين، مما يبرهن حتمية تقارب الخوارزمية رياضياً.

تفرض المسافة الإقليدية قيداً هندسياً حاسماً على مخرجات الخوارزمية؛ فهي تفترض ضمناً أن العناقيد تتخذ أشكالاً كروية متجانسة (Spherical Isotropic Shapes) ومتساوية التباين في جميع الاتجاهات داخل الفضاء متعدد الأبعاد. وتكون الخوارزمية في أوج كفاءتها عندما تكون البيانات رقمية مستمرة (Continuous Variables)، وتتبع التوزيعات المعتدلة، وتكون المقاييس الفيزيائية والإحصائية للمتغيرات متقاربة إلى حد كبير.

4.2 مقاييس المسافة البديلة ومحدودية تطبيقها المباشر في K-Means

في العديد من التطبيقات التحليلية المتخصصة، قد لا تكون المسافة الإقليدية هي المقياس الأكثر تعبيراً عن التشابه الفعلي بين المشاهدات. على سبيل المثال، تُستخدم مسافة مانهاتن (Manhattan Distance – L1 Norm) لحساب المسافات عبر شبكات المسارات المتعامدة (شبكة الشوارع الحضرية)، وتُستخدم مسافة تشابه جيب التمام (Cosine Similarity) بكثافة في معالجة اللغات الطبيعية وتجميع النصوص؛ حيث يهم اتجاه المتجه الدلالي وزاويته الهندسية أكثر بكثير من طوله أو حجمه الإحصائي المطلق. كذلك تُعد مسافة ماهالانوبيس (Mahalanobis Distance) خياراً متقدماً لأنها تأخذ في الاعتبار مصفوفة التغاير والارتباط المشترك بين المتغيرات المختلفة.

ومع ذلك، يواجه الباحثون قيداً رياضياً صارماً عند محاولة استبدال المسافة الإقليدية مباشرة بهذه المقاييس البديلة ضمن هيكل خوارزمية K-Means القياسية. يعود السبب في ذلك إلى أن استبدال دالة المسافة يكسر الارتباط الرياضي بين دالة الهدف ومتوسط العنقود؛ فإذا استخدمنا مسافة مانهاتن (L1)، فإن النقطة المركزية المثلى التي تقلل مجموع المسافات لم تعد هي المتوسط الحسابي (Mean)، بل تصبح الوسيط الإحصائي الحكيم (Median لكل بُعد)، وهو ما يولد خوارزمية مختلفة بنيوياً تُعرف باسم خوارزمية K-Medians. وبالمثل، فإن استخدام تشابه جيب التمام يتطلب تقييس المتجهات إلى طول الوحدة باستمرار وتطبيق خوارزمية تسمى Spherical K-Means. إن محاولة استخدام مقاييس مسافة غير إقليدية عشوائياً في K-Means القياسية دون تعديل دالة حساب المراكز تؤدي بالضرورة إلى فشل الخوارزمية في التقارب الرياضي وتذبذب دالة التكلفة دون استقرار.

4.3 تأثير المقاييس غير المتجانسة والحاجة إلى التقييس (Scaling)

نظراً لأن حساب المسافة الإقليدية يعتمد بصورة مباشرة على الفروق العددية المطلقة بين قيم المتغيرات، فإن خوارزمية K-Means تتأثر بشدة باختلاف وحدات القياس والمقاييس العددية (Scales) للمتغيرات الداخلة في التحليل. إذا كانت مجموعة البيانات تتضمن متغيراً يُقاس بالآلاف أو الملايين (مثل الدخل السنوي بالريال أو الدولار) إلى جانب متغير آخر يقاس بمدى ضيق من الدرجات (مثل العمر بالسنوات من 18 إلى 70، أو مستوى الرضا من 1 إلى 5)، فإن المتغير ذي المدى الرقمي الأوسع سيهيمن هيمنة شبه مطلقة على حساب المسافة الإقليدية، مما يجعل الفروق في المتغيرات الأخرى مهملة رياضياً ومعدومة التأثير على تشكيل العناقيد، بغض النظر عن أهميتها الجوهرية للظاهرة محل الدراسة.

لتجنب هذا التشويه الإحصائي الفادح، تُعد خطوة تقييس وتطبيع البيانات (Feature Scaling) مرحلة إلزامية غير قابلة للتجاوز قبل إدخال المتغيرات إلى خوارزمية K-Means. وتوجد طريقتان رئيسيتان لمعالجة هذا التفاوت في المقاييس:

• التقييس المعياري (Z-score Standardization): يقوم هذا التحويل الإحصائي بإعادة تمركز كل متغير حول متوسط حسابي مقداره الصفر، مع تحويل انحرافه المعياري إلى القيمة 1، وذلك وفق المعادلة: z = (x – μ) / σ. يُعد هذا الخيار هو الأفضل والأكثر متانة عندما تتبع المتغيرات توزيعاً قريباً من التوزيع الطبيعي أو في وجود بعض التذبذبات الإحصائية المعتدلة.
• التطبيع إلى المدى الصفري-الواحدي (Min-Max Normalization): يعيد هذا الأسلوب تحجيم جميع قيم المتغير لتنحصر حصراً داخل المجال المغلق [0, 1]، عبر الصيغة: x_norm = (x – x_min) / (x_max – x_min). يُفضل استخدام هذا الأسلوب عندما تكون حدود المتغيرات محددة وصارمة مسبقاً وخالية من القيم المتطرفة والشاذة التي قد تضغط البيانات السليمة في نطاق ضيق جداً.

5. منهجيات تحديد العدد الأمثل للعناقيد (Optimal K)

5.1 طريقة الكوع (The Elbow Method) وتحليل WCSS

تُعد معضلة تحديد القيمة المثلى للعدد الإجمالي للعناقيد K إحدى أهم القضايا المنهجية في التعلم غير الخاضع للإشراف، حيث إن الخوارزمية لا تمتلك القدرة الذاتية على استنتاج العدد الأنسب بمفردها. تُعد طريقة الكوع (The Elbow Method) المنهجية البصرية والتحليلية الأكثر شهرة واستخداماً بين ممارسي علم البيانات لاستكشاف هذه القيمة المثلى.

تعتمد هذه الطريقة على تشغيل خوارزمية K-Means عدة مرات متتالية عبر نطاق متزايد من قيم K المحتملة (على سبيل المثال: من K = 1 إلى K = 10)، وفي كل مرة يتم حساب وتسجيل القيمة النهائية لمجموع المربعات داخل العناقيد (WCSS). بعد ذلك، يتم رسم مخطط بياني ثنائي الأبعاد يمثل المحور الأفقي فيه قيم K المختلفة، بينما يمثل المحور الرأسي قيمة WCSS المناظرة لها.

من الناحية الرياضية البحتة، تنخفض قيمة WCSS باستمرار وبشكل رتيب كلما زادت قيمة K؛ حيث يؤدي إضافة مراكز جديدة إلى تقريب المسافات، حتى تصل WCSS إلى الصفر المطلق عندما يتساوى عدد العناقيد مع عدد نقاط البيانات بالكامل (K = n)، ولكن هذا يمثل إفراطاً تاماً في التخصيص وانعداماً للقيمة المعرفية. تكمن الفكرة الذكية لطريقة الكوع في البحث عن نقطة الانعطاف أو الزاوية الحادة في المنحنى البياني—التي تشبه مفصل كوع اليد البشري—حيث يتباطأ بعدها معدل الانخفاض الحاد في قيمة WCSS بشكل ملحوظ ويتحول إلى انحدار طفيف وتدريجي. تشير هذه النقطة إلى أن إضافة عناقيد جديدة بعد هذا الحد لن تقدم مكاسب جوهرية في تقليل التشتت الإحصائي وتجانس المجموعات، مما يجعل هذه القيمة هي التوازن الأمثل بين البساطة الرياضية والدقة التفسيرية.

وعلى الرغم من فائدتها البديهية، فإن طريقة الكوع تعاني من عيب جوهري يتمثل في الذاتية العالية؛ ففي مجموعات البيانات المعقدة أو المتداخلة في الواقع التطبيقي، غالباً ما يظهر منحنى WCSS كانحدار ناعم وسلس دون وجود “كوع” واضح أو زاوية حادة لا لبس فيها، مما يترك الباحث في حيرة إحصائية تتطلب دعماً من مؤشرات كمية أكثر صرامة وموضوعية.

5.2 تحليل معامل الصورة الظلية (Silhouette Analysis)

يقدم تحليل معامل الصورة الظلية (Silhouette Analysis)، الذي ابتكره عالم الإحصاء بيتر روسيو (Peter Rousseeuw) في عام 1987، معياراً كمياً دقيقاً ومحكماً يقيم جودة وصحة التجميع من خلال فحص متزامن لعنصرين محوريين: مدى تماسك النقطة داخل عنقودها الخاص (Cohesion)، ومدى انفصالها وبعدها الهندسي عن أقرب العناقيد المجاورة لها (Separation).

لحساب معامل الصورة الظلية s(i) لمشاهدة إحصائية فردية i تنتمي إلى العنقود A، يتم اتباع الإجراء الرياضي التالي:

• حساب القيمة a(i): وهي متوسط المسافة الإقليدية بين النقطة i وجميع النقاط الأخرى الواقعة معها داخل نفس العنقود A (مقياس التشتت أو التماسك الداخلي).
• حساب القيمة b(i): وهي متوسط المسافة الإقليدية بين النقطة i وجميع نقاط العنقود المجاور الأقرب إليها (العنقود B الذي يمتلك أصغر متوسط مسافة إلى النقطة i، ويُعرف بالعنقود الجار الأقرب).
• يتم حساب معامل الصورة الظلية للنقطة وفق المعادلة الرياضية المعيارية:

  s(i) = ( b(i) – a(i) ) / max( a(i), b(i) )

تتراوح قيمة معامل الصورة الظلية دائماً ضمن النطاق المقيد الصارم بين -1 و +1، وتُفسر هذه القيم إحصائياً وسلوكياً على النحو التالي:

• قيمة تقترب من +1: تدل على أن a(i) ≪ b(i)، مما يعني أن النقطة قريبة جداً من أفراد مجموعتها ومتباعدة تماماً عن العناقيد المجاورة، وهو مؤشر على جودة تصنيف مثالية وعنقود محدد المعالم بامتياز.
• قيمة تقترب من الصفر (0): تشير إلى أن a(i) ≈ b(i)، مما يعكس أن النقطة تقف على الحدود الحرجة الفاصلة بين عنقودين مختلفين، ويمكن إسنادها إلى أي منهما دون فارق إحصائي كبير.
• قيمة سالبة تقترب من -1: تدل على أن a(i) ≫ b(i)، وهي حالة خلل تصنيفي صريح تعني أن النقطة أقرب في الواقع إلى نقاط العنقود المجاور مقارنة بالعنقود الذي أُسندت إليه، مما يشير إلى تصنيف خاطئ لتلك النقطة.

يتم حساب متوسط معامل الصورة الظلية الكلي (Global Silhouette Score) عبر أخذ المتوسط الحسابي لقيم s(i) لجميع نقاط البيانات تحت مختلف قيم K، وتكون القيمة الإجمالية الأعلى لمعامل الصورة الظلية هي الدليل الإحصائي الأقوى على اختيار العدد الأمثل والأكثر تناسقاً للعناقيد. كما تتيح مخططات الصورة الظلية التفصيلية (Silhouette Plots) للباحثين تشخيص بنية كل عنقود على حدة، ورصد العناقيد غير المتوازنة أو التي تعاني من تذبذب سلبي في نقاطها.

5.3 إحصائية الفجوة (Gap Statistic) ومعايير المعلومات الإحصائية

تمثل إحصائية الفجوة (Gap Statistic)، التي طورها تيبشيراني وزملاؤه في جامعة ستانفورد عام 2001، أحد أكثر الأطر الإحصائية صرامة في تحديد العدد الأمثل للعناقيد. تعتمد هذه التقنية على مقارنة إجمالي التشتت الداخلي الملاحظ log(W_k) في مجموعة البيانات الحقيقية بالتشتت المتوقع الناتج عن تجميع بيانات مرجعية فارغة (Null Reference Distribution) تم توليدها عشوائياً وبشكل منتظم خالي من أي بنية عنقودية داخل نفس النطاق الهندسي للبيانات الأصلية.

تُعرف إحصائية الفجوة رياضياً بالمعادلة: Gap(k) = E^*_n{log(W_k^*)} – log(W_k)، حيث يمثل التعبير الأول التوقع الرياضي المحسوب عبر محاكاة مونت كارلو لمجموعات البيانات المرجعية الفارغة. وتكون القيمة المثلى لـ K هي أصغر قيمة تحقق فجوة أكبر من التشتت العشوائي وتتفوق على قيمة الفجوة للعنقود التالي بمقدار خطأ معياري واحد (معيار 1-Standard-Error)، مما يمنحها قوة إحصائية متينة في تجنب اكتشاف عناقيد وهمية ناتجة عن التوزيعات العشوائية المنتظمة.

إلى جانب إحصائية الفجوة، يبرز مؤشران كلاسيكيان متقدمان يعتمدان على تحليل التباين الهندسي لتأكيد جودة الاختيار:

• مؤشر كالينسكي-هاراباز (Calinski-Harabasz Index): ويُعرف أيضاً بنسبة التباين الإحصائي (Variance Ratio Criterion)، ويقيس النسبة الرياضية بين التشتت الكلي الفاصل بين العناقيد (Between-cluster dispersion) والتشتت الداخلي المحيط بمراكز العناقيد (Within-cluster dispersion)، مرجحة بدرجات الحرية. تشير القيم المرتفعة جداً لهذا المؤشر إلى عناقيد كثيفة ومتباعدة بوضوح فائق، مما يجعله معياراً سريعاً ودقيقاً للمفاضلة.
• مؤشر ديفيز-بولدين (Davies-Bouldin Index): يحسب هذا المؤشر متوسط أقصى درجات التشابه بين كل عنقود وأقرب عنقود منافس له، حيث يُعرف التشابه بأنه حاصل جمع تشتت العنقودين مقسوماً على المسافة الإقليدية الفاصلة بين مركزيهما. على العكس من معظم المؤشرات، فإن القيمة الأصغر والأنفذ نحو الصفر لمؤشر ديفيز-بولدين تدل على أن العناقيد ذات تماسك داخلي ممتاز ومفصولة عن بعضها بأقصى مسافات ممكنة، مما يجعل الحد الأدنى المحلي لهذا المؤشر مؤشراً حاسماً على قيمة K المثلى.

6. مثال تطبيقي مفصل: تجميع الأنماط النفسية والسلوكية للأفراد

6.1 تأطير الدراسة وبناء مصفوفة البيانات التجريبية

لتجسيد التطبيق العملي والميداني الدقيق لخوارزمية K-Means، نفترض سياق دراسة نفسية وسلوكية موسعة أُجريت على عينة استطلاعية قوامها N = 1000 مشارك من البالغين. تهدف هذه الدراسة إلى استكشاف وتحديد “البروفايلات النفسية والسلوكية” الكامنة التي تفسر التباين في الاستجابة لضغوط الحياة اليومية، وذلك بالاعتماد على مصفوفة قياس ثلاثية الأبعاد تم استخلاصها من استبيانات مقننة وموثوقة سيكومترياً. تشتمل الدراسة على ثلاثة متغيرات رقمية مستمرة رئيسية:

• مستوى التوتر المدرك (Perceived Stress Level – PSL): مقاس بمقياس كمي يتراوح من 0 (انعدام التوتر التام) إلى 50 (أقصى درجات الضغط النفسي الحاد)، وفق استبيان كوهين للتوتر المدرك.
• مؤشر المرونة النفسية (Psychological Resilience Index – PRI): مقاس بمقياس كونور-ديفيدسون للمرونة النفسية ويتراوح من 0 (هشاشة نفسية حادة وعجز عن التكيف) إلى 100 (مرونة تكيفية استثنائية وصلابة نفسية).
• ساعات الاندماج الاجتماعي الأسبوعية (Weekly Social Engagement Hours – SEH): مقياس سلوكي يرصد متوسط الساعات التي يقضيها الفرد أسبوعياً في تفاعلات اجتماعية نوعية وداعمة ومباشرة، ويتراوح في العينة من 0 إلى 30 ساعة.

يوضح الجدول الإحصائي الاستكشافي التالي عينة فرعية تمثيلية غير معالجة تتضمن 8 مشاركين افتراضيين، توضح التباين الأولي في مقاييس البيانات الخام قبل إخضاعها للتحليل الرياضي:

معرف المشارك (ID)	مستوى التوتر (PSL: 0-50)	المرونة النفسية (PRI: 0-100)	الاندماج الاجتماعي (SEH: 0-30)
P-001	42.5	28.0	3.5
P-002	12.0	88.5	22.0
P-003	31.0	52.0	11.0
P-004	45.0	22.5	2.0
P-005	15.5	81.0	19.5
P-006	28.5	58.0	14.0
P-007	39.0	31.0	4.5
P-008	10.5	92.0	25.0

6.2 التنفيذ الرياضي والخطوات الحسابية لعملية التجميع (K=3)

قبل الشروع في تطبيق الخوارزمية، تم إخضاع مصفوفة البيانات الكاملة المكونة من 1000 مشارك للتقييس المعياري الكامل (Z-score Standardization)، مما جعل متوسط كل بُعد صفراً وانحرافه المعياري واحداً، للقضاء على هيمنة مقياس المرونة (0-100) على مقياس التوتر والاندماج الاجتماعي. بعد إجراء تحليلات طريقة الكوع ومعامل الصورة الظلية التي أجمعت على أن K = 3 هو التقسيم الأمثل للبيانات، تم إطلاق خوارزمية K-Means++ لاختيار ثلاثة مراكز مبدئية متباعدة في الفضاء المعياري ثلاثي الأبعاد.

سارت الخطوات الحسابية التكرارية عبر المراحل التالية:

• التكرار الأول: تم حساب المسافة الإقليدية لكل مشارك نحو المراكز الأولية الثلاثة، وتوزيع الـ 1000 نقطة على أقرب مركز. أسفرت خطوة التحديث الأولى عن حركة واسعة للمراكز بمتوسط إزاحة بلغ 1.42 وحدة معيارية، وسجلت دالة التكلفة WCSS قيمة أولية مرتفعة بلغت 1420.50.
• التكرارات من الثاني إلى الخامس: استمرت المراكز في الهجرة المستمرة نحو كتل الكثافة العالية، مع انتقال نحو 18% من المشاركين بين العناقيد في التكرار الثاني، وتراجع هذه النسبة إلى 6% في التكرار الرابع، مما أدى إلى انخفاض حاد وسريع في قيمة WCSS إلى 680.15.
• التقارب النهائي (التكرار الثامن): في الدورة الحسابية الثامنة، بلغت أقصى إزاحة مسجلة لأي من المراكز الثلاثة 0.00008 وحدة معيارية (وهو أقل بكثير من شرط التسامح المحدد بـ 0.0001)، مع ثبات مطلق بنسبة 100% في انتماءات المشاهدات دون أي انتقال بين العناقيد، لتعلن الخوارزمية التوقف والتقارب النهائي عند قيمة WCSS دنيا ومستقرة تماماً بلغت 512.30، بمتوسط معامل صورة ظلية متميز بلغ 0.68.

يوضح الجدول التالي الإحداثيات الرياضية النهائية للمراكز الهندسية المستقرة بعد إعادة تحويلها (Inverse Transform) إلى المقاييس الفيزيائية الأصلية لتسهيل القراءة والتفسير العلمي:

العنقود المستخرج	حجم العينة (N)	مركز التوتر (PSL)	مركز المرونة (PRI)	مركز الاندماج الاجتماعي (SEH)
العنقود الأول (Cluster 1)	340 مشاركاً (34%)	12.4 درجة	84.6 درجة	21.8 ساعة/أسبوع
العنقود الثاني (Cluster 2)	285 مشاركاً (28.5%)	41.8 درجة	26.3 درجة	3.8 ساعة/أسبوع
العنقود الثالث (Cluster 3)	375 مشاركاً (37.5%)	27.6 درجة	56.1 درجة	12.4 ساعة/أسبوع

6.3 التفسير السيكولوجي والتسمية الدلالية للعناقيد المستخرجة

تحول مخرجات خوارزمية K-Means الأرقام والمصفوفات المجردة إلى فهم علمي معمق للأنماط البشرية؛ حيث أتاح الفحص الإحصائي لإحداثيات المراكز الهندسية الثلاثة بناء تصنيف سيكولوجي دلالي دقيق لكل فئة من المشاركين:

• النمط الأول: نمط “المرونة العالية والازدهار الاجتماعي” (High Resilience & Socially Integrated): يمثل أفراد هذا العنقود الشريحة الأكثر توافقاً نفسياً في العينة؛ حيث يقترن انخفاض مستوى التوتر لديهم (12.4) بصلابة نفسية فائقة (84.6) ومعدلات اندماج اجتماعي نشطة ومرتفعة (21.8 ساعة). تعكس هذه البنية العنقودية فرضية الدعم الاجتماعي التواصلي كدرع وقائي سيكولوجي يمتص الصدمات الحياتية ويعزز الكفاءة الذاتية.
• النمط الثاني: نمط “التوتر الحاد والإنهاك المعزول” (Acute Distress & Isolated Profile): يمثل هذا العنقود الفئة السريرية الأكثر هشاشة وعرضة للمخاطر النفسية والجسدية؛ حيث تتسم مراكزهم بارتفاع حاد في التوتر المدرك (41.8) متزامناً مع انهيار ملحوظ في المرونة النفسية (26.3) وشبه انعدام في شبكات الدعم والاندماج الاجتماعي (3.8 ساعة أسبوعياً). يشير هذا النمط إلى حالة من الانغلاق السلوكي والحلقة المفرغة من الاجترار الذهني والضغط المزمن.
• النمط الثالث: نمط “التكيف الموقفي المتوازن” (Moderate Adaptive Profile): يشكل هذا العنقود الكتلة الأكبر عددياً في مجتمع الدراسة (37.5%)، وتتوضع مراكزه في المنطقة الوسطى المتوازنة عبر الأبعاد الثلاثة. يمثل هؤلاء الأفراد الشريحة العامة التي تواجه ضغوطاً حياتية طبيعية ومتوسطة (27.6)، وتعتمد على آليات دفاعية ومرونة متوسطة الكفاءة (56.1) مع الحفاظ على شبكة اجتماعية معتدلة ونشاط متزن (12.4 ساعة).

تكمن القيمة التطبيقية الاستثنائية لهذا التجميع في تمكين المعالجين النفسيين وصناع السياسات الصحية من تصميم برامج تدخل وقائية وعلاجية مخصصة؛ فبدلاً من تقديم استشارات عامة موحدة للجميع، يتم توجيه أفراد النمط الثاني نحو برامج تدخل مكثفة تبدأ بكسر العزلة الاجتماعية وتنمية المهارات السلوكية التكيفية لخفض التوتر الفوري، بينما يتم توجيه النمط الثالث نحو ورش العمل المعرفية لتطوير استراتيجيات حل المشكلات وبناء الصلابة النفسية المتقدمة، مما يرفع الكفاءة التشغيلية للمنظومة الصحية بدرجات نوعية.

7. المعالجة المسبقة للبيانات وتأثيرها على كفاءة خوارزمية K-Means

7.1 إدارة القيم الشاذة والمتطرفة (Outliers)

تُعد القيم المتطرفة والشاذة بمثابة “نقطة الضعف القاتلة” في البنية الرياضية لخوارزمية K-Means القياسية. يرجع هذا التأثر الشديد إلى اعتماد دالة التكلفة على مربع المسافة الإقليدية (x – μ)² من جهة، وعلى حساب المتوسط الحسابي كمركز هندسي من جهة أخرى. إن وجود نقطة بيانية واحدة فقط تقع على مسافة شاسعة وبعيدة جداً عن التجمع الطبيعي للبيانات سيولد قيمة خطأ تربيعي هائلة، مما يُجبر المركز الهندسي للعنقود على الانجراف والتزحزح بصورة عنيفة بعيداً عن مركز الكثافة الفعلي للبيانات السليمة في محاولة لتقليل هذا الخطأ الفردي الضخم، وقد يؤدي ذلك في أسوأ الحالات إلى تخصيص عنقود كامل لحساب هذه النقطة الشاذة بمفردها.

لذلك، تفرض المنهجية الصارمة تطبيق استراتيجيات كشف واستبعاد إحصائي للقيم الشاذة قبل مرحلة التجميع:

• تقنيات الكشف الإحصائي: استخدام تحليل المدى الربيعي (IQR) عبر مخططات الصندوق (Box Plots) لتحديد واستبعاد النقاط التي تتجاوز 1.5 ضعف المدى الربيعي، أو استخدام مقياس مسافة ماهالانوبيس لرصد الشواذ متعددة الأبعاد.
• تقنيات تعلم الآلة لعزل الشواذ: تطبيق خوارزمية عزل الغابات (Isolation Forests) أو خوارزمية الجار الأقرب المحلي (Local Outlier Factor – LOF) لتصفية البيانات الملوثة بالضوضاء.
• المعالجة بالتعديل (Winsorization vs Trimming): الاختيار المنهجي بين الحذف التام للنقاط الشاذة (Trimming) إذا كانت ناتجة عن أخطاء إدخال وقياس، أو تعديل قيمها وتقييدها عند حدود النسب المئوية القصوى المسموحة (مثل المئين 95 أو 99) لضمان عدم تشويه المراكز الهندسية مع الحفاظ على حجم العينة.

7.2 التعامل مع البيانات الفئوية والنصية والنوعية

تقتصر الصياغة الرياضية الصارمة لخوارزمية K-Means القياسية على الفضاءات الإقليدية المتصلة، مما يجعلها عاجزة بصورة أصيلة عن معالجة المتغيرات الفئوية والاسمية (Categorical/Nominal Variables) مثل: الجنس، والتشخيص الوظيفي، والمدينة، والنمط الاجتماعي؛ إذ لا يوجد أي معنى رياضي لحساب “المتوسط الحسابي” لمجموعة من الفئات النوعية المجردة.

يلجأ بعض الممارسين خطأً إلى تحويل المتغيرات الفئوية إلى أرقام عبر الترميز الثنائي أو الترميز الأحادي (One-Hot Encoding) ثم تطبيق K-Means مباشرة. ومع ذلك، فإن هذه الممارسة تؤدي إلى تشوهات هندسية بالغة؛ فالقيم الناتجة تكون إما 0 أو 1، مما يحول الفضاء إلى فضاء متقطع هندسياً تنعدم فيه الخصائص الكروية الإقليدية، ويفقد مفهوم المسافة معناه البديهي حيث تصبح جميع الفئات متباعدة بمسافات مصطنعة ثابتة، فضلاً عن تضخم عدد الأبعاد وتفاقم ظاهرة لعنة الأبعاد.

لحل هذه الإشكالية، طُورت بدائل متخصصة صُممت خصيصاً للبيانات النوعية والمختلطة:

• خوارزمية K-Modes: تستبدل المتوسطات الحسابية بـ “المنوال الإحصائي” (Modes) كمراكز للمجموعات، وتستخدم مقياس مسافة قائم على عدم التطابق البسيط (Simple Matching Dissimilarity) للتعامل بكفاءة تامة مع البيانات الفئوية الصرفة.
• خوارزمية K-Prototypes: تجمع بذكاء بين دالة K-Means للمتغيرات الرقمية المستمرة ودالة K-Modes للمتغيرات الفئوية النوعية، عبر دالة تكلفة موحدة ومرجحة بمعامل تحكم γ يوازن بدقة بين تأثير المسافات الإقليدية وعدم التطابق الفئوي، مما يجعلها الأداة المثالية لمجموعات البيانات الواقعية المختلطة.

7.3 معالجة البيانات المفقودة (Missing Data Imputation)

تتطلب خوارزمية K-Means اكتمالاً مطلقاً لمصفوفة البيانات؛ حيث يستحيل رياضياً حساب المسافة الإقليدية بين نقطتين إذا كان أحد الأبعاد أو المتغيرات يحتوي على قيمة مفقودة أو غير مسجلة (NaN / Null). إن وجود فجوات في البيانات يفرض على الباحث معالجة هذه الظاهرة قبل استدعاء الخوارزمية، لما لطريقة المعالجة من أثر بالغ ومباشر على موثوقية البنية العنقودية المستخرجة.

يؤدي الاستبعاد البسيط للسجلات التي تحتوي على قيم مفقودة (Listwise Deletion) إلى فقدان كميات هائلة من البيانات وتقليص القوة الإحصائية للعينة، وإدخال تحيز منهجي حاد إذا لم تكن البيانات مفقودة عشوائياً تماماً (MCAR). في المقابل، يُعد التعويض البسيط باستخدام المتوسط الحسابي العام للمتغير (Mean Imputation) ممارسة محفوفة بالمخاطر في سياق التجميع؛ لأنه يقلص التباين الطبيعي للمتغير بشكل مصطنع ويسحب النقاط سيكولوجياً وهندسياً نحو مركز الفضاء، مما قد يؤدي إلى توليد عناقيد زائفة وغير حقيقية.

لذلك، يُوصى بالاعتماد على طرق التعويض التنبؤية المتقدمة مثل التعويض القائم على خوارزمية أقرب الجيران (KNN Imputation) أو تقنيات الغابات العشوائية التكرارية مثل (MissForest)، أو التعويض المتعدد بالسلاسل المقيدة (MICE)؛ حيث تحافظ هذه المنهجيات المتقدمة على العلاقات الارتباطية والمسافات الهندسية البينية الطبيعية بين المتغيرات دون تشويه الهيكل العنقودي الكامن للبيانات.

8. تقييم جودة وصحة نتائج التجميع (Cluster Validation)

8.1 مقاييس التحقق الداخلية (Internal Validation Indices)

تُستخدم مقاييس التحقق الداخلية لتقييم مدى تماسك وجودة الهيكل العنقودي الذي أنتجته الخوارزمية بالاعتماد حصراً على البيانات الرياضية والمصفوفات المكانية نفسها، دون الاستعانة بأي معلومات خارجية أو تصنيفات مرجعية مسبقة. ترتكز هذه المؤشرات على فلسفة تحقيق التوازن الأمثل بين مفهومين رياضيين أساسيين: التماسك الداخلي (Cluster Cohesion)—وهو تقارب النقاط المنتمية للعنقود الواحد من مركزها المشترك، والانفصال الخارجي (Cluster Separation)—وهو تباعد مراكز العناقيد المختلفة عن بعضها البعض بأكبر مسافة ممكنة.

ومن أبرز مقاييس التحقق الداخلية الصارمة يبرز مؤشر دن (Dunn Index)، والذي يُعرف رياضياً بأنه النسبة بين أصغر مسافة بينية فاصلة بين أي نقطتين تنتميان لعنقودين مختلفين، وأكبر قطر هندسي (أقصى تشتت داخلي) مسجل داخل أي عنقود مفرد في النظام. تسعى الخوارزمية المثالية إلى تعظيم قيمة مؤشر دن؛ فالقيمة المرتفعة جداً تعني أن العناقيد مفصولة تماماً بفجوات واسعة وتتميز بكثافة داخلية فائقة، مما يجعله معياراً ممتازاً للمقارنة بين نماذج K-Means التي تم تشغيلها بمعلمات أو تهيئات مختلفة.

8.2 مقاييس التحقق الخارجية (External Validation Indices)

تُطبق مقاييس التحقق الخارجية عندما تتوفر لدى الباحث بيانات مرجعية أرضية أو “تصنيفات حقيقية مستقلة” (Ground Truth / Gold Standard) تم جمعها عبر تشخيصات إكلينيكية ميدانية، أو تصنيفات وظيفية مثبتة مسبقاً، حيث يكون الهدف هو قياس مدى قدرة خوارزمية التعلم غير الخاضع للإشراف على إعادة استنتاج واكتشاف هذه الفئات الموضوعية بدقة إحصائية متطابقة.

من أهم هذه المقاييس المتقدمة:

• مؤشر راند المعدل (Adjusted Rand Index – ARI): يقيس هذا المؤشر درجة التوافق والتشابه بين أزواج المشاهدات في التقسيم العنقودي المستخرج مقارنة بالتصنيف الحقيقي المرجعي، مع تصحيح احتمالية حدوث التوافق العشوائي الصرف (Chance Agreement). تتراوح قيمة ARI بين -1 و +1، وتشير القيمة 1 إلى تطابق تام ومطلق، بينما تدل القيمة صفر أو ما دونها على أن التجميع لا يختلف عن التوزيع العشوائي الصرف.
• معلومات التبادل المشتركة المعيارية (Normalized Mutual Information – NMI): معيار مستمد من نظرية المعلومات ونظرية شانون للإنتروبيا؛ حيث يقيس مقدار المعلومات التي يشاركها التقسيم العنقودي المستخرج مع التصنيف المرجعي الحقيقي. يتراوح NMI بين 0 (انعدام الاعتمادية المشتركة) و 1 (مشاركة تامة للمعلومات وتطابق بنيوي مطلق).

8.3 اختبارات الاستقرار وقابلية التكرار (Stability & Reproducibility)

تُعد مسألة الاستقرار الإحصائي وقابلية التكرار حجر الزاوية في اعتماد أي تقسيم عنقودي ككشف علمي موثوق؛ فإذا كانت الخوارزمية تنتج هياكل عنقودية متباينة جذرياً عند إضافة قدر طفيف من الضوضاء أو عند حذف نسبة ضئيلة من العينات، فإن ذلك يدل على أن العناقيد المكتشفة هي نتاج صدفة حسابية أو تحيزات موضعية وليست أنماطاً طبيعية أصيلة كامنة في الظاهرة.

لاختبار استقرار النتائج، تُطبق استراتيجيات المحاكاة وإعادة أخذ العينات التوليدية (Bootstrapping Resampling)؛ حيث يتم توليد مئات العينات الفرعية العشوائية من مجتمع البيانات الأصلي، وتطبيق الخوارزمية على كل عينة فرعية بشكل مستقل تماماً، ثم قياس درجة التشابه والتطابق بين العناقيد المستخرجة عبر مؤشرات ARI أو معاملات الجاكارد (Jaccard Similarity). يُعد التجميع مستقراً وقابلاً للاعتماد العلمي عندما تحقق العناقيد معاملات ثبات تتجاوز 0.80 عبر العينات التكرارية المتعددة، مما يؤكد مناعة النموذج ضد التغيرات الطفيفة وجاهزيته للتعميم الميداني.

9. النسخ المطورة والامتدادات المتقدمة لخوارزمية K-Means

9.1 تجميع K-Means المصغر للدفعات (Mini-Batch K-Means)

مع تنامي حجم مجموعات البيانات الحديثة لتصل إلى ملايين المشاهدات ومئات الجيجابايت، أصبحت الخوارزمية القياسية تعاني من بطء ملحوظ واستهلاك مكثف للذاكرة العشوائية؛ إذ تتطلب كل دورة حسابية مسح وتحميل كامل مصفوفة البيانات في الذاكرة لحساب المسافات وتحديث المراكز. لتجاوز هذه العقبة الحسابية، اقترح الباحث ديفيد سكالي (David Sculley) في عام 2010 خوارزمية Mini-Batch K-Means كبديل فائق السرعة والكفاءة لمعالجة البيانات الضخمة وتدفقات البيانات الحية.

تعتمد هذه الخوارزمية المبتكرة على مبدأ الانحدار التدريجي العشوائي (Stochastic Gradient Descent)؛ حيث لا تقوم بمسح كامل البيانات في كل تكرار، بل تسحب عينات فرعية عشوائية صغيرة الحجم وثابتة السعة تُعرف بـ “الدفعات المصغرة” (مثل 256 أو 1024 مشاهدة في كل دفعة). يتم استخدام هذه العينة الفرعية لتحديث مواقع المراكز الهندسية عبر متوسط متحرك مرجح بتدرج متناقص، وتتكرر هذه العملية عبر دفعات متتالية حتى استقرار المراكز.

يحقق هذا الأسلوب خفضاً هائلاً في زمن المعالجة الحسابية واستهلاك الذاكرة بنسب تفوق 90% مقارنة بالنسخة القياسية، مع انخفاض طفيف للغاية وشبه مهمل في جودة التجميع النهائي لا يتعدى غالباً 1-2% في قيمة WCSS، مما جعلها الخيار الافتراضي والأساسي لتطبيقات تنقيب الويب وتحليل سلوك المستهلكين واسع النطاق.

9.2 خوارزمية تجميع الأوساط K-Medoids (PAM)

تُعد خوارزمية التقسيم حول الأوساط (Partitioning Around Medoids – PAM)، والمعروفة اختصاراً بـ K-Medoids، التطوير الرياضي الأكثر متانة ومناعة ضد القيم الشاذة والضوضاء الإحصائية الحادة. يتمثل الاختلاف الهيكلي الجوهري بينها وبين K-Means في أن K-Medoids تشترط بصورة قطعية أن يكون مركز كل عنقود هو نقطة بيانات حقيقية وفعلية من العينة (تُسمى Medoid) تقع في الموقع الأكثر مركزية، بدلاً من حساب مركز افتراضي كمتوسط رياضي مجرد.

تعتمد الخوارزمية في خطوة التحديث على دالة تقليل مجموع الفروق المطلقة بدلاً من الفروق المربعة، وتختبر دورياً استبدال النقطة المركزية الحالية بنقاط أخرى غير مركزية داخل العنقود للبحث عن النقطة التي تحقق أدنى تكلفة مسافة كلية. وعلى الرغم من المتانة الاستثنائية التي تتمتع بها K-Medoids وملاءمتها الفائقة للمصفوفات غير الإقليدية، فإن عيبها الرئيسي يكمن في تعقيدها الحسابي المرتفع الذي يصل إلى O(k(n-k)²) لكل تكرار، مما يجعلها بطيئة ومكلفة حوسبياً على مجموعات البيانات الكبيرة مقارنة بخفة وسرعة K-Means.

9.3 التجميع الضبابي K-Means الغائم (Fuzzy C-Means)

تُمثل خوارزمية التجميع الضبابي (Fuzzy C-Means – FCM)، التي طورها جيمس بيزديك (James Bezdek) في عام 1981 استناداً لنظرية المجموعات الضبابية للطفي زاده، نقلة فلسفية ورياضية حاسمة تجاوزت مفهوم التقسيم الحصري الصلب (Hard Partitioning). في عالم الواقع السلوكي والنفسي، نادراً ما ينتمي الفرد بصورة قطعية مطلقة إلى نمط أحادي معزول، بل قد يمتلك مزيجاً من السمات المتداخلة التي تجعله واقعاً بين نمطين أو أكثر في آن واحد.

تحسب خوارزمية FCM مصفوفة انتماء احتمالية U = [u_ij]، حيث تعبر القيمة u_ij عن درجة انتماء النقطة i للعنقود j، وتتراوح دائماً بين 0 و 1 مع اشتراط أن يكون مجموع درجات انتماء النقطة الواحدة عبر جميع العناقيد مساوياً للواحد الصحيح (∑ u_ij = 1). يتم التحكم في درجة “ضبابية أو سيولة” الحدود العنقودية عبر معامل مرجح يُسمى معامل الضبابية (Fuzzifier m > 1). تتأثر مواقع المراكز الهندسية في FCM بجميع نقاط البيانات بلا استثناء ولكن بدرجات ترجيح تتناسب طردياً مع قوة انتماء كل نقطة، مما يمنحها قدرة تشخيصية فائقة في مجالات التحليل النفسي الإكلينيكي ومعالجة الصور الطبية وتجزئة الأنماط السلوكية المعقدة.

10. المزايا والتحديات والقيود المنهجية لخوارزمية K-Means

10.1 أبرز المزايا التقنية والتطبيقية للخوارزمية

يعود الانتشار الكاسح والشعبية الراسخة لخوارزمية K-Means عبر العقود إلى منظومة متكاملة من المزايا الحسابية والمنهجية الرصينة:

• البساطة المفاهيمية وسهولة التنفيذ: ترتكز الخوارزمية على بديهة رياضية واضحة ومباشرة تجعلها سهلة الفهم البرمجي والتطبيق والتدريس، وقابلة للتفسير المنطقي لغير المتخصصين وأصحاب القرار.
• الكفاءة الحسابية والسرعة الفائقة: تتميز الخوارزمية بتعقيد زمني خطي تقريباً يُقدر بـ O(n · k · I · d)، حيث يمثل n عدد المشاهدات، و k عدد العناقيد، و I عدد التكرارات حتى التقارب، و d عدد الأبعاد والمتغيرات. هذا التعقيد المنخفض يجعلها أسرع بكثير من خوارزميات التجميع الهرمي التي تتطلب تعقيداً تربيعياً O(n²) أو تكعيبياً.
• القابلية الهائلة للتوسع (Scalability): تتكيف الخوارزمية بمرونة استثنائية مع قواعد البيانات المليونية ومجموعات البيانات الضخمة، خصوصاً عند استخدام نسخ المعالجة الموزعة والمتوازية أو النسخ المعتمدة على الدفعات المصغرة (Mini-Batch).
• الضمان الرياضي للتقارب: تضمن الخوارزمية من خلال صياغتها الصارمة تناقص دالة التكلفة الإجمالية (WCSS) بشكل رتيب في كل تكرار، مما يحتم وصولها الإلزامي إلى نقطة استقرار وتقارب محلي نهائي دون تشتت رياضي.

10.2 الافتراضات التقييدية والقيود الهيكلية

على الرغم من مزاياها الفائقة، تفرض الخوارزمية عدداً من الافتراضات التقييدية التي تشكل تحديات منهجية معقدة في العديد من التطبيقات الواقعية:

• الاشتراط المسبق لقيمة K: تفرض الخوارزمية على المحلل تحديد عدد العناقيد k بشكل قطعي مسبق قبل بدء التحليل، وهو ما يمثل تحدياً في الدراسات الاستكشافية التي يجهل فيها الباحث طبيعة البيانات وبنيتها الأولية.
• افتراض الكروية والتحدب الهندسي (Spherical Assumption): نظراً لاعتمادها على المسافة الإقليدية، تفترض الخوارزمية أن العناقيد تتخذ أشكالاً دائرية أو كروية متجانسة ومحدبة هندسياً (Convex Shapes). وتفشل الخوارزمية فشلاً ذريعاً عندما تتخذ الأنماط الطبيعية في البيانات أشكالاً حلقية متداخلة (Concentric Circles)، أو أشكالاً هلالية متعرجة، أو هياكل جيبية متشابكة.
• الحساسية للأحجام والكثافات غير المتكافئة: تعجز الخوارزمية عن التمييز الدقيق إذا كانت العناقيد الطبيعية في البيانات شديدة التباين في أحجامها (أحد العناقيد يضم 90% من العينة والآخر يضم 10%) أو متباينة في كثافتها الإحصائية (عنقود شديد التكدس والضغط مقابل عنقود آخر متناثر وواسع)؛ حيث تميل الخوارزمية إلى تجزئة العنقود المتناثر أو دمج أجزاء من العناقيد المتجاورة لتحقيق توازن كروي مصطنع.

10.3 إشكاليات الوقوع في النهايات الصغرى المحلية وتأثير البدايات العشوائية

نظراً لأن فضاء دالة التكلفة (WCSS) هو فضاء غير محدب ويحتوي على العديد من المنحدرات والمنخفضات الرياضية المحلية، فإن خوارزمية K-Means تكون شديدة الحساسية والارتهان لمواقع التهيئة الأولية للمراكز. يمكن أن تؤدي البداية العشوائية السيئة إلى انجذاب المراكز نحو نقاط محلية معزولة والاستقرار في نهاية صغرى محلية (Local Minimum) رديئة، مما يحرم الخوارزمية من الوصول إلى الحل الكلي الأمثل عالمياً (Global Optimum) وينتج عنه تقسيم عنقودي مشوه لا يعبر عن التجمعات الحقيقية في البيانات.

للتغلب على هذه المعضلة في البيئات التطبيقية، يعتمد الباحثون على استراتيجية إعادة التشغيل العشوائي المتعدد (Multiple Random Restarts)؛ حيث يتم تشغيل الخوارزمية بالكامل عدداً من المرات المستقلة بتهيئات انطلاق مختلفة (مثل n_init = 10 أو 50 مرة)، ويتم في النهاية اختيار ومطابقة النموذج الذي حقق أقل قيمة مطلقة لدالة التكلفة WCSS وأعلى استقرار إحصائي لمراكزه الهندسية.

11. مقارنة منهجية: K-Means في مواجهة خوارزميات التجميع الأخرى

11.1 K-Means في مواجهة التجميع الهرمي (Hierarchical Clustering)

تختلف فلسفة تجميع K-Means جذرياً عن التجميع الهرمي (Hierarchical Clustering) بنوعيه التراكمي (Agglomerative) والتقسيمي (Divisive). بينما يقدم K-Means تقسيماً مسطحاً ومباشراً للبيانات في مستوى واحد عند قيمة k محددة، يبني التجميع الهرمي شجرة تجميعية متسلسلة ومتداخلة تُعرف باسم مخطط الشجرة (Dendrogram)، تتيح للباحث رؤية العلاقات التجميعية عبر كافة المستويات التفصيلية المتدرجة دون الحاجة لاختيار k مسبقاً.

ومع ذلك، يتفوق K-Means تفوقاً ساحقاً على التجميع الهرمي في جانب الكفاءة الحسابية وإدارة الموارد؛ فالتجميع الهرمي يتطلب حساب وتخزين مصفوفة مسافات كاملة لجميع أزواج النقاط بتعقيد مكاني O(n²) وتعقيد زمني يصل إلى O(n³) في بعض النسخ، مما يجعله عاجزاً عملياً عن معالجة مجموعات البيانات التي تتجاوز بضعة آلاف من المشاهدات. لذلك، يُفضل استخدام التجميع الهرمي حصراً في الدراسات الاستكشافية متناهية الصغر التي تهدف إلى فهم التصنيفات الشجرية الدقيقة (مثل دراسات السلالات الجينية)، بينما يظل K-Means الخيار الوحيد القابل للتطبيق على البيانات الكبيرة والمتوسطة.

11.2 K-Means في مواجهة التجميع المكاني القائم على الكثافة (DBSCAN)

تُمثل خوارزمية التجميع المكاني القائم على الكثافة للمشاهدات الملوثة بالضوضاء (DBSCAN) نقيضاً معمارياً لخوارزمية K-Means؛ فهي لا تعتمد إطلاقاً على المراكز الهندسية أو المسافات الإقليدية الكروية، بل تُعرف العناقيد بأنها مناطق متصلة جغرافياً ذات كثافة نقطية عالية، تفصل بينها مساحات منخفضة الكثافة أو فارغة تماماً.

تتفوق خوارزمية DBSCAN على K-Means في قدرتها الاستثنائية على اكتشاف عناقيد ذات أشكال هندسية معقدة وغير منتظمة وغير محدبة (مثل العناقيد الحلقية والمتعرجة)، فضلاً عن قدرتها التلقائية على عزل النقاط الشاذة والضوضاء واعتبارها عناصر خارجة دون إجبارها على الانضمام لعناقيد مصطنعة، واستغنائها الكامل عن تحديد عدد العناقيد k مسبقاً. ومع ذلك، تعاني DBSCAN من صعوبة بالغة في ضبط معلمتي الكثافة الأساسيتين (نصف القطر Eps والحد الأدنى للنقاط MinPts)، وتنهار كفاءتها تماماً عندما تحتوي مجموعة البيانات على عناقيد ذات كثافات إحصائية متغيرة ومتفاوتة الشدة، وهو المجال الذي تحتفظ فيه K-Means بقدرتها التنافسية إذا تمت معالجة البيانات وتقييسها بعناية.

11.3 K-Means في مواجهة نماذج المزيج الغاوسي (Gaussian Mixture Models – GMM)

تُعد نماذج المزيج الغاوسي (Gaussian Mixture Models – GMM) الامتداد الاحتمالي الأكثر نضجاً وعمومية لخوارزمية K-Means. في حين تفترض K-Means أن العناقيد كروية صلبة وتعتمد على التعيين القطعي الصلب (Hard Assignment)، تفترض نماذج GMM أن البيانات تتولد من مزيج من عدة توزيعات طبيعية (Gaussian Distributions) متعددة الأبعاد، لكل منها متوسطه الرياضي الخاص μ_k ومصفوفة تغاير كاملة ومستقلة Σ_k.

تستخدم GMM خوارزمية تعظيم التوقع (Expectation-Maximization – EM) لتحديث احتمالات الانتماء ومعلمات التوزيعات تدريجياً. تتيح مصفوفة التغاير المرنة لـ GMM تشكيل وتحديد عناقيد بيضاوية مائلة (Ellipsoidal Clusters) ذات تباينات مختلفة في مختلف الاتجاهات، مما يمنحها مرونة هندسية تتجاوز بكثير القيود الكروية الصارمة لـ K-Means. في واقع الأمر، يُبرهن التحليل الرياضي أن خوارزمية K-Means هي حالة خاصة ومقيدة للغاية من نماذج المزيج الغاوسي (GMM) عندما تكون مصفوفات التغاير لجميع العناقيد متطابقة وكروية والتباين يقترب من الصفر الصرف.

وجه المقارنة	K-Means	التجميع الهرمي	DBSCAN	نماذج المزيج الغاوسي (GMM)
طبيعة التجميع	حصري صلب (Hard)	هرمي متسلسل	مكاني قائم على الكثافة	احتمالي ضبابي (Soft)
اشتراط معرفة K مسبقاً	نعم، إلزامي	لا، يتم اختياره من الشجرة	لا، يُستنتج تلقائياً	نعم، إلزامي
الأشكال الهندسية للعناقيد	كروية ومحدبة فقط	متنوعة بحسب نوع الربط	أشكال حرة وعشوائية تماماً	بيضاوية وإهليلجية مرنة
التعقيد الزمني والحسابي	خطي O(n · k · I)	تربيعي/تكعيبي O(n2) – O(n3)	متوسط O(n log n)	مرتفع نسبياً O(n · k · d3)
المتانة ضد القيم الشاذة	حساسة وضعيفة جداً	حساسة بحسب معيار الربط	ممتازة (تعزل الضوضاء)	متوسطة الحساسية

12. أفضل الممارسات التطبيقية والآفاق المستقبلية في البحوث والبيانات الضخمة

12.1 دليل إجرائي لتطبيق K-Means خطوة بخطوة في البيئات البحثية

لضمان تطبيق منهجي محكم يحقق أعلى معايير الدقة العلمية والموثوقية الإحصائية في البيئات البحثية والأكاديمية، يُنصح الباحثون باتباع بروتوكول الخطوات الإجرائية التالي:

1. الفحص الاستكشافي والتنظيف المبدئي: فحص مصفوفة البيانات بدقة، والتحقق من التوزيعات التكرارية، واكتشاف القيم الشاذة والمتطرفة ومعالجتها بالاستبعاد أو التعديل، واستكمال القيم المفقودة عبر خوارزميات التنبؤ المتقدمة مثل KNN.
2. التقييس وتوحيد المقاييس (Standardization): تطبيق التقييس المعياري (Z-score) على كافة المتغيرات المستمرة لضمان تكافؤ الأوزان الهندسية ومنع المتغيرات ذات المدى الواسع من الهيمنة على حساب المسافات.
3. تخفيض الأبعاد إذا لزم الأمر: في حال تجاوز عدد المتغيرات 10-15 متغيراً، يُوصى بتطبيق تحليل المكونات الرئيسية (PCA) لتخفيض الأبعاد مع الاحتفاظ بأكثر من 80-85% من التباين الكلي لتجنب لعنة الأبعاد.
4. تحديد العدد الأمثل للعناقيد K: الجمع المنهجي بين طريقة الكوع (Elbow Method)، وتحليل معامل الصورة الظلية (Silhouette Analysis)، وإحصائية الفجوة (Gap Statistic) لتحديد قيمة k الأكثر إقناعاً رياضياً.
5. التشغيل المعياري الذكي: تشغيل الخوارزمية باستخدام تهيئة K-Means++ مع تفعيل خيار إعادة التشغيل المتعدد (n_init ≥ 25) لضمان تجاوز النهايات الصغرى المحلية والوصول للحل الأمثل.
6. التحقق الداخلي وتفسير النتائج: تقييم استقرار ومناعة النموذج عبر تقنيات إعادة العينات (Bootstrapping)، ودمج التفسير الإحصائي للمراكز مع المعرفة التخصصية العميقة للظاهرة محل الدراسة لإضفاء المعنى السيكولوجي أو التطبيقي على العناقيد المستخرجة.

12.2 الاعتبارات الأخلاقية والتحيزات في نماذج التجميع السلوكي والنفسي

ينطوي استخدام خوارزميات التجميع غير الخاضعة للإشراف في مجالات القياس النفسي والتنميط السلوكي وتصنيف المستخدمين على تحديات أخلاقية واجتماعية بالغة الحساسية والحرج؛ فالخوارزمية لا تدرك المفاهيم الأخلاقية، بل تبحث بصورة عمياء عن الأنماط والتجمعات في البيانات المدخلة إليها، مما قد يؤدي إلى ترسيخ وتضخيم التحيزات المنهجية (Algorithmic Bias) إذا كانت العينة الأصلية تعاني من ضعف التمثيل الديموغرافي أو الاجتماعي لبعض الفئات المهمشة.

تتمثل إحدى أخطر التداعيات في خطر القولبة النمطية والوصم التشخيصي الآلي (Automated Stigmatization)؛ حيث يمكن أن يؤدي إسناد الأفراد تلقائياً إلى عناقيد تحمل تسميات سلبية مثل “شديد الاضطراب” أو “منخفض الإنتاجية” إلى اتخاذ قرارات تمييزية ضدهم في بيئات العمل أو التأمين الصحي أو المؤسسات التعليمية. يفرض ذلك على الباحثين والممارسين التزاماً أخلاقياً صارماً بعدم استخدام نتائج التجميع كأحكام نهائية مطلقة، وضمان الشفافية وقابلية التفسير (Explainability)، والحفاظ الفائق على خصوصية وسرية البيانات النفسية الحساسة والتأكد من مطابقتها للمعايير الأخلاقية العالمية مثل اللائحة العامة لحماية البيانات (GDPR).

12.3 التكامل مع تقنيات التعلم العميق والاتجاهات البحثية الواعدة

تشهد الأوساط العلمية المعاصرة ثورة هجينة تدمج بين البساطة الرياضية لخوارزمية K-Means والقوة التعبيرية الهائلة لشبكات التعلم العميق (Deep Learning)، وهو ما يُعرف في الأدبيات الحديثة بـ التجميع العميق (Deep Clustering). تتصدر خوارزمية Deep Embedded Clustering (DEC) هذه الطليعة؛ حيث تُستخدم المشفرات التلقائية العميقة (Autoencoders) لتعلم تمثيلات كامنة منخفضة الأبعاد وغير خطية للبيانات المعقدة (كالصور والنصوص والإشارات الحيوية)، وتُدمج دالة تكلفة K-Means مباشرة داخل دالة الخسارة للشبكة العصبية لتحديث أوزان الشبكة ومواقع المراكز العنقودية بصورة متزامنة وتفاعلية.

كما تمتد الآفاق المستقبلية نحو تطوير خوارزميات التجميع اللحظي للبيانات المتدفقة (Online/Streaming K-Means) القادرة على تحديث المراكز الهندسية لحظة بلحظة مع تدفق البيانات السلوكية الحية من الهواتف الذكية والأجهزة القابلة للارتداء. يفتح هذا التطور آفاقاً لا محدودة في مجال الطب النفسي الرقمي الدقيق (Precision Digital Psychiatry)، حيث يُمكن رصد التحولات السلوكية الحادة للأفراد وتغير انتمائهم بين الأنماط النفسية في الوقت الفعلي، مما يتيح التنبؤ بالنكسات الاكتئابية ونوبات القلق قبل وقوعها وتوفير الدعم السلوكي المؤتمت في اللحظة المناسبة تماماً.

---

خاتمة تركيبية

في ختام هذه المراجعة الأكاديمية الشاملة، يتجلى لنا أن خوارزمية تجميع K-Means ليست مجرد إجراء رياضي لتقسيم الفضاء الإقليدي، بل هي فلسفة منهجية متكاملة لاستكشاف البنى الخفية واستنطاق الأنماط الصامتة في البيانات غير المصنفة. لقد أثبتت الخوارزمية، عبر أكثر من ستة عقود من التطوير المستمر، قدرتها على الجمع الفريد بين الأناقة الرياضية، والبساطة المفاهيمية، والكفاءة الحسابية الاستثنائية، مما جعلها تحتفظ بموقع الصدارة في ترسانة أدوات علم البيانات والذكاء الاصطناعي.

ومع ذلك، يظل نجاح تطبيق هذه الخوارزمية مرهوناً بالوعي المنهجي العميق من جانب الباحث بمحدداتها وافتراضاتها الهيكلية الصارمة؛ بدءاً من ضرورة التنظيف الواعي والمعالجة الدقيقة للقيم الشاذة، والتقييس الحذر للمتغيرات، والاستخدام الصارم لمعايير تحديد العدد الأمثل للعناقيد والتحقق من استقرارها، وصولاً إلى التكامل الأخلاقي والسياقي في تفسير النتائج. ومع اندماج K-Means الحديث مع بنيات التعلم العميق وتقنيات الحوسبة الموزعة، تواصل هذه الخوارزمية فتح آفاق بحثية وتطبيقية غير مسبوقة، واضعة بين أيدينا جسراً تقنياً صلباً يربط بين التدفق اللانهائي للبيانات الخام والفهم العميق المعزز للظواهر الإنسانية والطبيعية في عصر الذكاء الاصطناعي.

المراجع (References)

• Arthur, D., & Vassilvitskii, S. (2007). k-means++: The advantages of careful seeding. Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms (SODA ’07), 1027–1035. https://dl.acm.org/doi/10.5555/1283383.1283494
• Bezdek, J. C. (1981). Pattern recognition with fuzzy objective function algorithms. Plenum Press. https://doi.org/10.1007/978-1-4757-0450-1
• Forgy, E. W. (1965). Cluster analysis of multivariate data: Efficiency versus interpretability of classifications. Biometrics, 21(3), 768–769.
• Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137. https://doi.org/10.1109/TIT.1982.1056489
• MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1, 281–297. https://projecteuclid.org/euclid.bsmsp/1200512992
• Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
• Sculley, D. (2010). Web-scale k-means clustering. Proceedings of the 19th International Conference on World Wide Web (WWW ’10), 1177–1178. https://doi.org/10.1145/1772690.1772862
• Steinhaus, H. (1956). Sur la division des corps matériels en parties. Bulletin de l’Académie Polonaise des Sciences, 4(12), 801–804.
• Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411–423. https://doi.org/10.1111/1467-9868.00293
• Xie, J., Girshick, R., & Farhadi, A. (2016). Unsupervised deep embedding for clustering analysis. International Conference on Machine Learning (ICML), PMLR, 48, 478–487. https://proceedings.mlr.press/v48/xieb16.html