Scribd
Importer
5 vues16 pages

Cluster

Le document présente l'algorithme DBSCAN, une méthode de clustering basée sur la densité, qui permet de regrouper des points denses tout en identifiant le bruit. Il compare DBSCAN avec K-means, soulignant ses avantages tels que la détection de formes arbitraires et une meilleure gestion du bruit, ainsi que ses limites, notamment le choix délicat des paramètres. Enfin, il aborde les applications de DBSCAN dans divers domaines tels que l'analyse spatiale et la détection de fraude.

Transféré par

charleswakoute
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
5 vues16 pages

Cluster

Le document présente l'algorithme DBSCAN, une méthode de clustering basée sur la densité, qui permet de regrouper des points denses tout en identifiant le bruit. Il compare DBSCAN avec K-means, soulignant ses avantages tels que la détection de formes arbitraires et une meilleure gestion du bruit, ainsi que ses limites, notamment le choix délicat des paramètres. Enfin, il aborde les applications de DBSCAN dans divers domaines tels que l'analyse spatiale et la détection de fraude.

Transféré par

charleswakoute
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

Clustering : l’algorithme DBSCAN

DAKO Sidoine et WAKOUTE Tchoropa

MEPSA 2

30 janvier 2026

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 1 / 16


Plan

1 Introduction

2 Généralités sur le clustering

3 Principe de DBSCAN

4 Avantages et limites

5 Comparaison avec K-means

6 Applications

7 Conclusion

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 2 / 16


Introduction

Explosion des données dans plusieurs domaines


Importance du clustering en apprentissage non supervisé
Limites des méthodes classiques (K-means)
DBSCAN : une approche basée sur la densité

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 3 / 16


Définition du clustering

Le clustering consiste à :
regrouper des observations similaires,
maximiser la similarité intra-cluster,
minimiser la similarité inter-cluster.

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 4 / 16


Types d’algorithmes de clustering

Méthodes partitionnelles : K-means


Méthodes hiérarchiques
Méthodes basées sur la densité : DBSCAN
Méthodes probabilistes : GMM

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 5 / 16


Présentation de DBSCAN

DBSCAN
Density-Based Spatial Clustering of Applications with Noise

Proposé par Ester et al. (1996)


Regroupe les points densément connectés
Identifie automatiquement le bruit

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 6 / 16


Paramètres clés

ε (epsilon) : rayon de voisinage


MinPts : nombre minimum de points pour former un cluster

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 7 / 16


Types de points

Point central (Core) : au moins MinPts voisins


Point frontière (Border) : voisin d’un point central
Point bruit (Noise) : isolé

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 8 / 16


Fonctionnement de l’algorithme

1 Sélection d’un point non visité


2 Vérification du voisinage ε
3 Création et extension du cluster
4 Marquage des points bruit

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 9 / 16


Avantages de DBSCAN

Pas besoin de fixer le nombre de clusters


Détection de formes arbitraires
Bonne gestion du bruit

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 10 / 16


Limites de DBSCAN

Choix délicat des paramètres


Difficulté avec densités variables
Sensible à la dimension des données

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 11 / 16


Comparaison DBSCAN vs K-means

Critère K-means DBSCAN


Nombre de clusters Fixé Automatique
Forme des clusters Sphérique Arbitraire
Bruit Mal géré Bien géré
Robustesse Faible Élevée

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 12 / 16


Applications de DBSCAN

Analyse spatiale et géographique


Détection de fraude
Données médicales
Vision par ordinateur

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 13 / 16


Conclusion

DBSCAN est un algorithme puissant de clustering


Particulièrement adapté aux données bruitées
Alternative efficace aux méthodes classiques

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 14 / 16


Ouverture

OPTICS
HDBSCAN
Clustering à grande échelle

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 15 / 16


Références

Ester et al. (1996)


Han, Kamber & Pei
Documentation Scikit-learn

DAKO Sidoine et WAKOUTE Tchoropa (MEPSA 2) Clustering - DBSCAN 30 janvier 2026 16 / 16

Vous aimerez peut-être aussi