Une approche de Clustering sans k Cnok
Loading...
Date
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Faculté des Sciences
Abstract
La méthode d’Identification des groupes d'individus au sein d'un jeu de données, et les
regrouper en sous-ensembles similaires en fonction de diverses caractéristiques est appelé
Clustering. Dans le monde de la science des données, nous pouvons utiliser des méthodes de
Clustering pour obtenir des informations précieuses à partir de données en catégorisant les
groupes auxquels appartiennent ces points lorsque nous appliquons un algorithme de
Clustering. Les méthodes de Clustering souffrent encore de plusieurs insuffisances et nécessitent
souvent l’initialisation de plusieurs paramètres comme le nombre de classes ou l’initialisation des
groupes.
Dans ce mémoire, et afin d’améliorer les algorithmes de Clustering, nous proposons une approche
de classification non supervisée, où l’algorithme découvre automatiquement les classes pour des
données numériques sans connaître le nombre de classes a priori, sans partition initiale et sans
paramétrage délicat.
L’algorithme proposé a été implémenté dans une application bureau Java qui est utilisée pour
faire le Clustering d’un dataset introduit par l’utilisateur