Scribd
Importer
15 vues1 page

Clustering et Classification Hiérarchique

Le document présente un exercice sur le clustering utilisant l'algorithme K-means et la classification hiérarchique. Il inclut des instructions pour appliquer K-means avec différents nombres de clusters et points de départ, ainsi que des calculs d'inertie intra-cluster pour évaluer la qualité des regroupements. De plus, il aborde la classification hiérarchique ascendante et descendante, en demandant de tracer des dendrogrammes et d'expliquer les étapes de l'algorithme.

Transféré par

khalidkourif7
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
15 vues1 page

Clustering et Classification Hiérarchique

Le document présente un exercice sur le clustering utilisant l'algorithme K-means et la classification hiérarchique. Il inclut des instructions pour appliquer K-means avec différents nombres de clusters et points de départ, ainsi que des calculs d'inertie intra-cluster pour évaluer la qualité des regroupements. De plus, il aborde la classification hiérarchique ascendante et descendante, en demandant de tracer des dendrogrammes et d'expliquer les étapes de l'algorithme.

Transféré par

khalidkourif7
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Licence AIA- Intelligence artificielle en actuariat 2024-2025

TD 2 : Clustering (K-means et Classification


hiérarchique)
On considère les Données : X = {1, 2, 9, 12, 20}

Exercice 1 : K-Means
(a) Appliquez l’algorithme des K-means avec les valeurs de k et les points de départ
suivants :
i. k = 2, µ1 = 1, µ2 = 20
ii. k = 3, µ1 = 1, µ2 = 12, µ3 = 20
iii. k = 4, µ1 = 1, µ2 = 9, µ3 = 12, µ4 = 20
(b) On aimerait maintenant comparer la qualité de ces regroupements. Pour cela, on
recommence par regarder l’inertie intra-cluster.
i. Calculer cette valeur pour les 3 regroupements précédents.
ii. En utilisant ce critère, quel serait le meilleur regroupement possible ? Est-ce
que cela vous paraı̂t réaliste ?
(c) S’inspirant du critère BIC, quelqu’un propose de rajouter le terme suivant au critère
précédent :

+2kN log N où N est le nombre de données


i. Expliquer l’utilité de ce terme.
ii. Calculer la valeur du nouveau critère pour vos 3 regroupements. Qu’en concluez-
vous ?

Exercice 2 : Classification Hiérarchique


1. Classification Hiérarchique Ascendante
(a) Appliquer l’algorithme de classification hiérarchique ascendante en utilisant le saut
minimal et tracer le dendrogramme correspondant.
(b) Idem avec le saut maximal.

2. Classification Hiérarchique Descendante


Soit un algorithme de classification hiérarchique descendante qui recherche à chaque
itération la meilleure façon de couper un ensemble de points en deux parties.
(a) Détailler la première itération de cet algorithme (en utilisant un saut minimal).
(b) Expliquer l’utilité de cet algorithme.

Vous aimerez peut-être aussi