Comparaisons des
algorithmes de clustering
Présenté par:
NOUPOUE SILATCHOU MERVEILLE
Sous la supervision de :
Mr WAFFO AUSTIN
Contenu
Introduction Comparaisons
01 Définition de la notion 04 avec l’AFC
de Clustering
Algorithmes Conclusion
02 Les algorithmes de 05
Clustering recensés
Comparaisons Bibliographie
03 Divergences et cas 06
d’utilisation
01 Introduction
Méthode de classification non
supervisée qui rassemble un
01 ensemble d’algorithmes
d’apprentissages
Clustering
Le but est de regrouper entre
02 elles des données non
étiquetées présentant des
propriétés similaires.
02 Algorithmes recensés
02
K-Means 01 Mean shift
03 04
Clustering Gaussien Mixture
hiérarchique Algorithmes de models
clustering
05 06
Algorithme
DBSCAN
spectral
K-Means
Parmi les différents algorithmes de clustering, le K-means
est l'un des plus populaires. Il partitionne les données en k
clusters en minimisant la variance intra-cluster. C'est un
algorithme itératif qui attribue chaque point à un cluster en
fonction de la distance par rapport aux centres de ces
clusters, appelés centroïdes.
Clustering hiérarchique
Une autre approche courante est le clustering hiérarchique,
qui crée une hiérarchie de clusters en regroupant les
données de manière ascendante ou descendante. Cela
permet d'observer la structure des données à différentes
échelles et de visualiser les relations entre les clusters.
DBSCAN
DBSCAN est un algorithme de clustering basé sur la
densité des points dans l'espace. Il identifie les clusters en
considérant les régions de haute densité comme des
clusters et les points isolés comme du bruit. Cela lui
permet de détecter des clusters de formes complexes et de
tailles variables.
Mean shift
Mean Shift est un autre algorithme de clustering qui
identifie les clusters en déplaçant itérativement les points
vers les régions de densité maximale. Il est efficace pour
détecter des clusters de formes non linéaires et peut
s'adapter à différentes distributions de données.
Gaussien Mixture Models
Les Gaussian Mixture Models (GMM) sont des modèles
probabilistes utilisés pour le clustering. Ils supposent que
les données sont générées à partir d'un mélange de
distributions gaussiennes, ce qui permet de modéliser des
clusters de formes variées et d'estimer la probabilité
d'appartenance d'un point à un cluster.
Clustering spectral
le Spectral Clustering est une approche qui utilise les
valeurs propres et vecteurs propres d'une matrice de
similarité pour regrouper les données. Cela permet de
capturer les relations complexes entre les points et de
détecter des clusters non linéaires ou de forme irrégulière.
03 Comparaison
K-means, DBSCAN (efficace pour les
Scalabilité grandes quantités de données)
Hiérarchique, k-means,
Robustesse spectral(sensible aux valeurs
aberrantes)
Points de Hiérarchique, k-means (clusters
Interprétabilité
comparaison faciles à interpréter)
Spérique, variée, arbitraire
Forme de clusters fct densités, non linéaires et
complexes
04 Comparaison avec l’AFC
AFC Clustering
● Vise à identifier les concepts et les ● Vise à regrouper les observations
relations à partir des tableaux similaires en cluster
● Utiliser dans l’analyse des textes, la Vs ● Utiliser dans l’apprentissage
fouille de données automatique, le marketing
● Repose sur les concepts mathématiques ● Utilise les mesures de similarité ou de
tels que la théorie des ensembles. distance pour regrouper les
observations
Conclusion
L’Analyse Formelle des Concepts et les algorithmes de
clustering sont deux approches d'analyse des données
complémentaires qui peuvent être utilisées en fonction des
objectifs de l'analyse et du type de données disponibles. Il
est important de choisir la méthode la plus appropriée en
fonction du contexte spécifique de l'étude.
Merci pour votre attention