Regroupement (clustering)

1Classification, Apprentissage,
Décision
Classification non-supervisée :Classification non-supervisée :
RegroupementRegroupement
(clustering)(clustering)

C'est quoi ?
Regroupement (Clustering): construire une
collection d'objets
Similaires au sein d'un même groupe
Dissimilaires quand ils appartiennent à des
groupes différents
Le Clustering est de la classification non
supervisée: pas de classes prédéfinies

3Qu'est ce qu'un bon regroupement ?
Une bonne méthode de regroupement permet de
garantir
Une grande similarité intra-groupe
Une faible similarité inter-groupe
La qualité d'un regroupement dépend donc de la
mesure de similarité utilisée par la méthode et
de son implémentation

4 Structures de données
Matrice de données
Matrice de similarité


5Mesurer la qualité d'un clustering
Métrique pour la similarité: La similarité est
exprimée par le biais d'une mesure de distance
Une autre fonction est utilisée pour la mesure de
la qualité
Les définitions de distance sont très différentes
selon que les domaines d'attributs sont des
intervalles (continues), catégories, booléens.
En pratique, on utilise souvent une pondération
des attributs

6Intervalle (discrètes) : pré-traitement
Standardiser les données
Calculer l'écart absolu moyen:
ou
Calculer la mesure standardisée (z-score)

Tutorial exercises Clustering ? K-means, Nearest Neighbor and Corrigé. Exercice 1 (03 points) : a/ Expliquez le principe d'une classification KMeans. (1.5 points). Exercice 2 (07 points) : Le tableau suivant contient des 
Algorithme K-Moyennes Clustering ? K-means, Nearest Neighbor and Hierarchical. Exercise 1. K-means clustering. Use the k-means algorithm and Euclidean distance to cluster the 
K-Means Avantages de l'algorithme : 1) L'algorithme de k-means est très populaire du fait qu'il est très facile à comprendre et à mettre en ?uvre. 2) Sa simplicité 
Clustering de données extrait du datawarehouse et ciblé sur un sujet unique présentées à l 'utilisateur averti pour examen par Optimisation type K-Means, ISODATA.
Application de k-means - Dspace classification non supervisée dont le plus simple est l'algorithme de k-means. Corrige les données pour les différentes échelles et des corrélations dans les 
TD Clustering_ensta TD Clustering. ENSTA ParisTech INT-22. Exercice 1 : K-means. Utilisez l'?algorithme du k-means et la distance euclidienne pour regrouper les 8 exemples? 
Méthode des K-means - Université Lumière Lyon 2 Algorithme K-Means ? Méthode des centres mobiles. 3. Cas des variables actives qualitatives. 4. Fuzzy C-Means. 5. Classification de variables. 6. Conclusion.
Data-Mining Corrigé Examen 2002/2003 1 Clustering (13 points) Corrigé Examen 2002/2003. 4eme année. 1 Clustering (13 points). X 1 2 9 12 20. 1. (7 points) K-Means. (a) Appliquez l'algorithme des K-means avec les 
Le cas D'H&M et ZARA Pré-requis. Aucun. Nombre d'exercices des situations de communication données ci-dessous. 3- Deux copines de 15 ans découvrent un nouveau magasin de vêtements qui vient d'ouvrir ses portes dans Une fois sorties du magasin, elles échangent ces
Modéliser des données, l'exemple du modèle entité - Réseau Certa Nokia, qui permet à notre société d'enrichir de plus en plus sa base de données nos produits dans une boutique virtuelle à la disposition de tout le monde, de faire conforme à l'éthique des données, idées des autres ou reproduction qui ne respecte
900 entraînements à la Communication - Euro Cordiale Ce chapitre détaille les principes de base des exercices et la méthode générale Tester les bases de données des ressources internes de la collectivité.
Conception et développement d'un site web de e - UVT e-doc Vous arrivez dans la base de données, cliquer sur le bouton Entrer dans la BD. Quand le sujet d'une table est un événement, il représente quelque chose qui Voici une table qui représente les catégories de ce que vend un magasin de vélo Vêtemen