Abstract

De très nombreuses méthodes de classification non supervisées existent et de nouvelles
méthodes ou des améliorations de méthodes existantes sont proposées régulièrement par la
communauté de la fouille de données.
Ce travaille aborde le problème de clustering basée sur l\'idée que les points de données
similaires doivent être regroupés dans le même cluster et les points de données différents
doivent être séparés et regroupés dans des clusters différents. Le clustering ou la classification
non supervisée a été utilisé avec succès dans de nombreuses applications et domaines.
Cependant le clustering reste un problème ou plusieurs méthodes peuvent fournir des
résultats différents à partir des mêmes données. De plus il n’y a pas une méthode universelle
pouvant s’appliquer de manière performante à tout type des données pour obtenir un résultat
optimal. Pour résoudre ce problème, la communauté scientifique s’est intéressée ces dernières
années à la combinaison de plusieurs algorithmes pour traiter le même ensemble de données
d’où la naissance des méthodes dite de \"clustering par ensemble\" qui servent à générer un
consensus entre plusieurs résultats afin d’améliorer les performances.
L\'approche de clustering par ensemble proposée dans ce mémoire est basée sur
l’apprentissage incrémental. Différents algorithmes de clustering traitent un ensemble de
données commun individuellement dans la première étape avec le même nombre de clusters,
puis un ensemble de clusters est extrait à l\'étape suivante via un mécanisme de vote
majoritaire. Pour surmonter l\'ambiguïté du vote, et résoudre le problème des points conflits
nous avons utilisé une méthode de clustering incrémental capable d’apprendre de nouvelles
informations (nouvelles données, nouvelles classes...) sans pour autant oublier les
connaissances déjà acquises, sans réapprendre les données déjà apprises, et sans les détériorer.
Les résultats obtenus sont très satisfaisant et montre l’efficacité de notre approche.
Mots clés : clustering, clustering par ensemble, l’apprentissage incrémentale.

Information

Item Type:	Master
Divisions:
ePrint ID:	3881
Date Deposited:	2023-05-09
Further Information:	Google Scholar
URI:	https://www.univ-soukahras.dz/en/publication/article/3881

BibTex